- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Image Segmentation Using Deep Learning: A Survey 论文精读
Image Segmentation Using Deep Learning: A Survey 论文精读
2022-11-15 13:11:41
4860
原创 3.4 Kaggle自然场景图片分类
3.4 Kaggle自然场景图片分类自然场景识别数据集来自kaggle竞赛平台，最初是由Intel举办的一个图片分类竞赛数据集，它的训练集有14034张图片，测试集有3000张图片，未标注数据集有7301张图片，格式都为jpg，图片分辨率统一为150×150。数据集共有6个类别：buildings（建筑）forest（森林）glacier（冰川）mountain（高山）sea（海洋）street（街道）每个类别的训练集图片数量大概有2000多张。链接：https://pan.baid
2020-12-15 10:04:40
2646
2
原创 3.3 keras模型构建的三种方式
3.3 keras模型构建的三种方式1. 使用tf.keras.Sequential按层顺序构建模型，代码示例：model = Sequential()#卷积层conv_1_1model.add(Cov2D(input_shape = (64, 64, 3），filters = 32, kernel_size = 3, activation = 'relu', kernel_initializer = 'he_uniform', name = 'conv_1_1)#卷积层 conv_1
2020-12-14 16:42:07
926
原创 3.2 Tensorflow基础运算
3.2 Tensorflow基础运算1. 导入Tensorflowimport tensorflow as tf2. 矩阵计算TensorFlow是一个科学计算库，它使用 张量 （Tensor）作为数据的基本单位。TensorFlow的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量，示例如下：A=[a1,1a1,2a2,1a2,2]B=[b1,1b1,2b2,1b2,2]C=AB=[a1,1∗b1,1+a1,2∗b2,
2020-12-14 14:43:50
337
原创 3.1 Tensorflow基础知识
3.1 Tensorflow基础知识3.1.1 深度学习框架介绍框架对比：1.技术层面对于个人开发者，它的主要用途为科研，而企业用户的主要用途为进行AI应用，提升生产效率。在此，主要从两类用户的一些共同需求的满足情况进行分析，来完成各个深度学习框架在技术层面的对比。可以看出tensorflow、pytorch、keras三个深度学习框架遥遥领先其他深度学习框架的体量，另外几个国有深度学习框架的体量相对国外深度学习框架的体量也相差了较大的量级。2.算法方向对于算法的准确率、速度、参数量大小而言
2020-12-14 14:03:53
177
原创 2.2 Mnist手写数据集
2.2 Mnist手写数据集全连接网络：网络层的每一个结点都与上一层的所有结点相连。多隐层全连接神经网络：代码如下：1. 导入必要的模块import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras import datasets, Input, Modelfrom tensorflow.keras.layers impo
2020-12-13 12:24:01
782
1
原创 2.1 全连接神经网络
2.1 全连接神经网络2.1.1 全连接神经网络的定义全连接网络：网络层的每一个结点都与上一层的所有结点相连。2.1.2 对于每一个神经元每一个神经元都可以分为两部分：求和函数、激活函数部分1：求和函数z=w1Tx1+w2Tx2+⋯+wnTxnz=w_1^{\rm T}x_1+w_2^{\rm T}x_2+\cdots+w_n^{\rm T}x_nz=w1Tx1+w2Tx2+⋯+wnTxn2:激活函数y=f(z)y=f(z)y=f(z)2.1.3 激活函数带来了什么？如果
2020-12-13 11:04:15
2885
原创 1.6 logistic回归的keras实现
1.6 logistic回归的keras实现1.6.1 Sigmoid函数表达形式f(x)=11+e−xf(x)=\frac{1}{1+e^{-x}}f(x)=1+e−x1Sigmoid输出值可以看作“概率”1.6.2 损失函数1.6.2.1 平方和损失能否采用和之前均方误差类似的思路设定损失函数呢？L2=∑i=1N(yi−yi^)2L_2=\sum_{i=1}^N(y_i-\hat{y_i})^2L2=i=1∑N(yi−yi^)2其中，yiy_iyi是真实值，yi^\ha
2020-12-13 11:04:04
866
7
原创 1.5 欠拟合和过拟合
1.5 欠拟合和过拟合欠拟合（Underfitting）：选择的模型过于简单，以致于模型对训练集和未知数据的预测都很差的现象。过拟合（Overfitting）：选择的模型过于复杂（所包含的参数过多），以致于模型对训练集的预测很好，但对未知数据预测很差的现象（泛化能力差）。过拟合可以通过观测训练集和验证集的loss变化判断：随着epoch或step的增加，训练集 loss不断下降，而验证集loss先下降后抬升。解决过拟合和欠拟合的方法#mermaid-svg-PIgv01fGrHf6DRYA
2020-12-13 11:02:29
959
1
原创 1.4 多项式拟合实例
1.4 多项式拟合实例多项式拟合(Polynomial Fitting)就是采用多项式去拟合数据点。导入必要的模块import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.preprocessing import StandardScaler#数据标准化处理from sklearn.preprocessing import PolynomialFeatures#生成特征多项式from sk
2020-12-13 11:02:04
1155
原创 1.3 线性回归的sklearn实现
1. 3 线性回归的sklearn实现导入必要的模块import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegression#搭建模型from sklearn.metrics import mean_squared_error#计算
2020-12-13 11:01:27
323
原创 1.1 线性模型基础
1.1 线性模型基础1.1.1 线性模型基本形式1.1.1.1 线性模型定义线性模型(linear model)：对于给定ddd个属性描述的实例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1;x2;⋯;xd)，其中，xix_ixi是xxx在第iii个属性上的取值，通过属性的线性组合来预测的函数叫线性模型。非线性模型：在线性模型的基础上引入层级结构或者高维映射1.1.1.2 线性模型的向量表示f(x)=wTx+bf(x)=w^{\rm T}x+bf(
2020-12-13 11:00:52
294
原创 1.2 线性回归的keras实现
1.2线性回归的keras实现1.2.1一维线性回归假设房屋价格仅与面积有关系，给出房屋面积大小，预测房屋价格导入必要的模块import numpy as npimport pandas as pdimport matplotlib.pyplot as plt#画出数据集的散点图from sklearn.model_selection import train_test_split#数据划分import tensorflow as tffrom tensorflow.keras.mode
2020-12-13 11:00:39
429
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人