深度學習筆記06-使用CNN識別運動鞋品牌(Tensorflow)

已于 2024-03-20 11:40:01 修改
阅读量823 收藏 27
点赞数 28
文章标签： tensorflow 人工智能 python
于 2024-03-20 10:28:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yetta_Chang/article/details/136844420
版权

前言

一、我的環境

 二、準備套件

三、GPU設置

四、導入數據

五、數據預處理

六、可視化數據

七、配置數據集

八、建構CNN網路

九、訓練模型

十、模型評估

十一、預測

十二、總結

前言

一、我的環境

  • 電腦系統：Windows 10

  • 顯卡：NVIDIA Quadro P620

  • 語言環境：Python 3.7.0

  • 開發工具：Sublime Text，Command Line(CMD)

  • 深度學習環境：Tensorflow 2.5.0

 二、準備套件

# 提供一些與操作系統交互的功能，例如文件路徑操作等
import os

# 用於圖像處理，例如打開、操作、保存圖像文件
import PIL

# 用於處理文件路徑的模塊，提供一種更加直觀和面向對象的操作文件路徑方式
import pathlib

# 用於繪圖，可以創建各種類型的圖表和圖形
import matplotlib.pyplot as plt

# 數值計算庫，用於處理大型多維數組和矩陣的
import numpy as np

# 開源的機器學習框架
import tensorflow as tf

# 導入 keras 模塊，為 tensorflow 的高級 API 之一，操作起來更加簡單、易用
from tensorflow import keras

# keras.layers，tensorflow 的子模塊，包含建構神經網路模型所需的各種層
# keras.models，tensorflow 的子模塊，包含建構神經網路模型的類和函數
from tensorflow.keras import layers,models

# 是 TensorFlow Keras 中的一個回調函數
# 用於在訓練過程中保存模型的檢查點（checkpoint）
# 檢查點是模型的權重或是整個模型在訓練期間的某個狀態的保存
from tensorflow.keras.callbacks import ModelCheckpoint

# 是 TensorFlow Keras 中的一個回調函數
# 用於提前停止訓練
# 如果在訓練過程中監視的指標（如驗證集損失）在一段連續的訓練週期內沒有改善，則停止訓練，以防止過度擬合
from tensorflow.keras.callbacks import EarlyStopping

三、GPU設置

# 列出系統中的GPU裝置列表
gpus = tf.config.list_physical_devices("GPU")

# 如果有GPU
if gpus:
    # 挑選第一個 GPU
    gpu0 = gpus[0] 
    # 僅在需要的時候分配記憶體
    tf.config.experimental.set_memory_growth(gpu0, True)
    # 將 GPU0 設置為 TensorFlow 中可見的唯一 GPU ，將運算限制在特定的 GPU 上 
    tf.config.set_visible_devices([gpu0],"GPU")

四、導入數據

# 設定數據目錄的相對路徑，也可以使用絕對路徑
# D:/AI/ai_note/T5，這邊要注意斜線的方向
data_dir = "T5/"
# 將路徑轉換成 pathlib.Path 對象，更易操作
data_dir = pathlib.Path(data_dir)
# 使用 glob 方法獲取指定目錄下所有以 '.jpg' 為副檔名的文件迭代器
# '*/*.jpg' 是一個通配符模式，表示所有直接位於子目錄中的以 .jpg 結尾的文件
# 第一個星號表示所有目錄
# 第二個星號表示所有檔名
image_count = len(list(data_dir.glob('*/*.jpg')))
# 印出圖片數量
print("圖片總數：",image_count)

# 開張圖來看看
roses = list(data_dir.glob('train/nike/*.jpg'))
img = PIL.Image.open(str(roses[0]))
plt.imshow(img)
# 關閉座標軸，即不顯示座標軸
plt.axis('off')
# 顯示圖片
plt.show()

五、數據預處理

# 設置批量大小，即每次訓練模型時輸入到模型中的圖像數量
# 在每次訓練跌代時，模型將同時處理32張圖像
# 批量大小的選擇會影響訓練速度和內存需求
batch_size = 32
# 圖像的高度，在加載圖像數據時，將所有的圖像調整為相同的高度，這裡設定為 224 像素
img_height = 224
# 圖像的寬度，在加載圖像數據時，將所有的圖像調整為相同的寬度，這裡設定為 224 像素
img_width = 224

# 創建訓練集
# 使用 tf.keras.preprocessing.image_dataset_from_directory 函數從目錄中創建一個圖像數據集
# 會得到一個 tf.data.Dataset 對象，其中包含指定目錄中圖像的數據集，以及相應的標籤
# 返回的這個數據集可以直接用於模型的訓練和驗證
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "T5/train/",   # 指定包含圖像的目錄路徑
    seed=123,   # 設定亂數種子，確保每次運行程式碼時得到的數據集都是相同的，以保持實驗的可重複性
    image_size=(img_height, img_width), # 指定圖像的大小
    batch_size=batch_size) # 指定每個批次中包含的圖像樣本數量

# 創建測試集
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "T5/test/",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

# class_names 是一個包含數據集中所有類別名稱的列表
class_names = train_ds.class_names
# 印出類別
print(class_names)

 總共兩個品牌：adidas, nike

六、可視化數據

# 創建一個圖形對象，設置圖形大小寬度 20 英寸、高度 10 英寸
plt.figure(figsize=(20, 10))
# train_ds.take(1) 從訓練集中取出一個批次(batch)的數據
# 遍歷訓練數據集的第一個批次(batch)中的每張圖片
# images 是一個包含圖片數據的張量
# labels 是一個包含對應標籤的張量
for images, labels in train_ds.take(1):
    # 遍歷當前批次(batch)的前 20 張圖
    for i in range(20):
        # 創建一個子圖，將圖形劃分成 5 行 10 列，當前子圖的索引為 i+1
        ax = plt.subplot(5, 10, i + 1)

        # 顯示第 i 張圖片
        # images[i] 是一個張量，使用 .numpy() 方法將其轉換為 NumPy 數組，
        # 再使用 .astype("uint8") 方法將其轉換為無符號整型 8 位整數類型
        plt.imshow(images[i].numpy().astype("uint8"))
        # 設置當前子圖的標題為當前圖片的類別名稱
        # labels[i] 視當前圖片對應的標籤，通過索引 class_names 列表獲取對應的類別名稱 
        plt.title(class_names[labels[i]])
        # 關閉座標軸的顯示
        plt.axis("off")
# 顯示圖片
plt.show()

# 從 train_ds 中迭代獲取一個批次(batch)的圖像數據和標籤數據，印出他們的形狀
for image_batch, labels_batch in train_ds:
    print('圖像數據的形狀:', image_batch.shape)
    print('標籤數據的形狀:', labels_batch.shape)
    break  # 只印一批次(batch)即可

  • image_batch.shape：印出圖像數據的形狀，通常是一個四維張量，形狀為  ( batch_size，image_height，image_width，num_channels) ，其中 batch_size 是批次大小，image_height 和 image_width 是圖像的高度和寬度，num_channels 是圖像的通道數，RGB 為 3
  • labels_batch.shape：印出標籤數據的形狀，通常是一個二維張量，形狀為 ( batch_size，) ，其中 batch_size 與圖像數據的批次大小相同，每個元素代表一個圖像的標籤

這樣的輸出可以幫助確認訓練數據集中每個批次的數據形狀是否符合預期，以便進行後續的模型訓練

七、配置數據集

# AUTOTUNE 表示自動調整緩衝區大小以優化性能
AUTOTUNE = tf.data.AUTOTUNE

# 使用 cache() 方法將訓練集緩存到內存中，這樣可以加快數據加載速度
# 當模型多次迭代訓練數據集時，可以重複使用已經加載到內存中的數據，而不必重新從磁盤加載
# 使用 shuffle() 方法對訓練數據集進行洗牌操作，打亂數據集中的樣本順序
# 參數 1000 指定了洗牌時使用的緩衝區大小，即每次從數據集中隨機選擇的樣本數量
# 通過洗牌操作，可以增加模型的訓練效果，使模型更好的學習數據的分布
# 使用 prefetch() 方法預取數據，以便在訓練過程中盡可能的減少數據加載時間
# 此方法可以在訓練模型的同時異步加載數據，從而提高 GPU 的利用率，減少數據加載造成的訓練時間損失
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)

# 對驗證集進行和訓練集相同的緩存操作
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

八、建構CNN網路

# 創建一個序列模型，這是一種線性堆疊模型，其中各個層按照他們被添加到模型中的順序來堆疊
model = models.Sequential([
    # 創建了一個對圖像進行重新縮放的預處理層
    # 將每個像素的數值除以 255，將像素值縮放到範圍 [0,1]，即歸一化
    # 輸入的 img_height 和 img_width 分別表示圖像的高度和寬度，3 表示圖像的通道數，通常為 RGB 彩色圖像
    layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
    
    # 創建一個卷積層
    # 16：表示該卷積層使用了 16 個卷積核
    # (3, 3)：指定了每個卷積核的大小為 3x3
    # 使用ReLU（Rectified Linear Unit）作為激活函數，它是一種常用的非線性函數，能夠使模型具有更好的學習能力
    # 設置輸入形狀為(img_height, img_width, 3)
    # 表示輸入圖像的高度為img_height像素，寬度為img_width像素，通道數為3（RGB 彩色圖像）
    # 這個參數只需要在模型的第一層中指定，後續的層將自動推斷輸入形狀
    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), 

    # 創建一個平均池化層
    # 將原始特徵圖中的每個 2x2 區域的數值取平均，從而實現尺寸的縮小和特徵的抽取
    # (2, 2)：指定了池化窗口的大小為 2x2 ，即將原始特徵圖劃分為 2x2 的子區域
    # 這個池化操作對每個子區域內的數值進行平均，得到新的特徵圖
    layers.AveragePooling2D((2, 2)),   

    # 創建第二個卷積層
    # 32 個卷積核
    # 每個卷積核的大小是 3x3
    # 本層沒有指定輸入形狀（input_shape），因為這是模型中的中間層，將繼承前一層的輸出形狀作為輸入形狀     
    layers.Conv2D(32, (3, 3), activation='relu'),  

    # 創建第二個平均池化層
    # 作用是對輸入的特徵圖進行下採樣，以減少特徵圖的空間尺寸，同時保留主要的特徵
    # 指定池化窗口的大小為 2x2 ，這意味著對於每個 2x2 的區域，將計算其內像素的平均值作為輸出
    layers.AveragePooling2D((2, 2)),    

    # 隨機失活層
    # 在模型訓練過程中以指定的概率丟棄(關閉)一定比例的神經元，以防止過擬合
    # 0.3 表示丟棄的神經元概率為 30%
    # 意味著每次訓練迭代中，有 30% 的神經元會被隨機丟棄，以防止模型過度擬合訓練數據
    layers.Dropout(0.3),  

    # 創建第三個卷積層
    # 64個卷積核
    # 每個卷積核的大小為 3x3
    layers.Conv2D(64, (3, 3), activation='relu'),  

    # 隨機失活層
    # 在模型訓練過程中以指定的概率丟棄(關閉)一定比例的神經元，以防止過擬合
    # 0.3 表示丟棄的神經元概率為 30%
    # 意味著每次訓練迭代中，有 30% 的神經元會被隨機丟棄，以防止模型過度擬合訓練數據
    layers.Dropout(0.3),  
    
    # 展平層
    # 將多維輸入數據平坦化成一維數組
    # 將多維輸入數據（如卷積層的輸出）展平成一個一維數組，以便將其餵入全連接層
    layers.Flatten(),           

    # 全連接層
    # 包含 128 個神經元
    # 使用 ReLU 激活函數
    # 用於將之前卷積層和池化層提取的特徵進一步轉換和提取               
    layers.Dense(128, activation='relu'),  

    # 輸出層
    # 包含了 num_classes 個神經元
    # 其數量通常等於分類問題中的類別數量
    # 這一層的激活函數通常沒有指定，因為它用於輸出每個類別的原始分數或概率值
    layers.Dense(len(class_names))             
])

# 印出模型結構
model.summary()

九、訓練模型

# 設置了初始學習率為 0.0001
initial_learning_rate = 0.0001

# 創建了一個指數衰減的學習率計劃
# 這個計劃將初始學習率（initial_learning_rate）以指定的速率（decay_rate）每隔一定的步驟（decay_steps）進行衰減
# staircase=True 表示使用階梯函數衰減，即每隔 decay_steps 步驟，學習率會按照指數衰減的方式進行更新
lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(
        initial_learning_rate, 
        decay_steps=10,      
        decay_rate=0.92,    
        staircase=True)

# 創建了一個 Adam 優化器，並將指數衰減的學習率計劃應用於該優化器中
optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)

# 將設置好的優化器應用於模型的編譯中
# 同時，設置了損失函數為稀疏分類交叉熵（Sparse Categorical Crossentropy），並且將準確率（accuracy）作為模型的評估指標
model.compile(optimizer=optimizer,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

學習率對訓練神經網絡模型的性能和訓練速度具有重要影響，它既有優點也有缺點：

優點：

  1. 收斂速度快：較大的學習率可以使模型更快地收斂到局部最優解或全局最優解
  2. 跳出局部極小值：較大的學習率有助於模型跳出局部極小值，從而避免陷入局部最優解

缺點：

  1. 不穩定性：較大的學習率可能導致訓練過程不穩定，模型可能會在最優解附近震盪，甚至無法收斂
  2. 過度擬合：過大的學習率可能導致模型過度擬合訓練數據，無法泛化到測試數據
  3. 損失函數不收斂：較大的學習率可能使損失函數在訓練過程中無法收斂，產生不合理的訓練結果

總之，適當調整學習率大小可以平衡模型的訓練速度和性能，並確保模型收斂到良好的最優解，通常需要進行實驗和調參來確定最適合的學習率大小

# 指定訓練過程中的迭代次數，即訓練模型的輪數
epochs = 50

checkpointer = ModelCheckpoint(
    filepath='best_model.h5',   # 模型權重的保存路徑和文件名
    monitor='val_accuracy', # 要監測的指標，這裡設置為 'val_accuracy'，表示監測驗證集的準確率
    verbose=1,  # 控制輸出信息的詳細程度，設置為 1 表示輸出詳細信息
    save_best_only=True,    # 布林值，表示是否只保存在指標上表現最好的模型，設置為 True
    save_weights_only=True) # 布林值，表示是否只保存模型的權重，設置為 True

earlystopper = EarlyStopping(
    monitor='val_accuracy', # 要監測的指標，這裡也設置為 'val_accuracy'，表示監測驗證集的準確率
    min_delta=0.001,    # 相對變化的閾值，如果監測指標的變化小於此值，則被認為沒有進步，訓練將停止
    patience=20,    # 訓練將在檢測到指標停止改善後的固定輪數後停止，以防止過度擬合
    verbose=1)  # 控制輸出信息的詳細程度，設置為 1 表示輸出詳細信息

  • ModelCheckpoint：這個回調函數用於保存模型在訓練過程中的最佳表現，它會監視指定的指標（如驗證集準確率或損失）並在每次訓練週期後檢查這些指標是否有改善，如果有改善，則保存模型的權重，這樣可以確保在整個訓練過程中始終保存最佳的模型

  • EarlyStopping：這個回調函數用於提前停止訓練，如果在訓練過程中監視的指標（如驗證集損失）在一段連續的訓練週期內沒有改善，則停止訓練，以防止過度擬合

這些回調函數通常與 model.fit() 方法一起使用，以監視訓練過程並根據需要保存模型或提前停止訓練

history = model.fit(
    train_ds,
    validation_data=val_ds,   # 訓練集
    epochs=epochs,  # 指定訓練的迭代次數
    callbacks=[checkpointer, earlystopper]) # 使用監測物件

Epoch 00021: early stopping 表示在第 21 個訓練時期（epoch）時，早停（early stopping）條件已被觸發，訓練被提前停止

這個消息意味著模型在進行 21 個訓練時期後，沒有觀察到驗證集性能的顯著改善，因此訓練提前終止以防止過度擬合

早停是一種常用的防止過度擬合的技術，它通過監控驗證集性能，在性能不再改善時停止訓練，從而避免模型在訓練集上表現過好而在新數據上泛化能力較差的問題 

十、模型評估

# 從訓練歷史中提取準確率
# acc 是訓練集準確率
# val_acc 是驗證集準確率
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

# 從訓練歷史中提取損失
# loss 是訓練集損失
# val_loss 是驗證集損失
loss = history.history['loss']
val_loss = history.history['val_loss']

# 定義了迭代次數範圍
epochs_range = range(len(loss))

# 創建一個新的圖形，指定圖形的大小
plt.figure(figsize=(12, 4))
# 在圖形中創建 1 行 2 列的子圖，並選擇第一個子圖
plt.subplot(1, 2, 1)
# 繪製訓練集準確率隨迭代次數變化的曲線
plt.plot(epochs_range, acc, label='Training Accuracy')
# 繪製驗證集準確率隨迭代次數變化的曲線
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
# 添加圖例，位置位於右下角
plt.legend(loc='lower right')
# 添加子圖的標題
plt.title('Training and Validation Accuracy')

# 在圖形中創建 1 行 2 列的子圖，並選擇第二個子圖
plt.subplot(1, 2, 2)
# 繪製訓練集損失函數的曲線
plt.plot(epochs_range, loss, label='Training Loss')
# 繪製驗證集損失函數的曲線
plt.plot(epochs_range, val_loss, label='Validation Loss')
# 添加圖例，位置位於右上角
plt.legend(loc='upper right')
# 添加子圖的標題
plt.title('Training and Validation Loss')

# 顯示圖片
plt.show()

十一、預測

# 加載效果最好的模型權重
model.load_weights('best_model.h5')

# 選擇想預測的照片
img = PIL.Image.open("T5/test/nike/1.jpg")  
# 將原始圖像調整為模型所需的大小
img = img.resize((img_height, img_width))
# 將 PIL 圖像對象轉換為 NumPy 數組（即將圖像像素轉換為數值表示）
# TensorFlow 中的圖像處理功能通常接受 NumPy 數組作為輸入
img_array = tf.keras.preprocessing.image.img_to_array(img)
# 將 NumPy 數組轉換為 TensorFlow 張量，同時添加一個額外的維度
# 添加到第一個維度，以便能夠將單個圖像作為單個樣本餵入模型進行預測。
img_array = tf.expand_dims(img_array, 0)

# 進行預測
# 產出一個包含預測概率的陣列
predictions = model.predict(img_array)
# 使用 np.argmax(predictions) 獲取概率最高的類別索引
# 利用 class_names 陣列找到對應的類別名稱
print("預測結果為：",class_names[np.argmax(predictions)])

結果正確 

十二、總結

透過本次實作，學習到了如何使用 Early Stopping 技術

在深度學習模型的訓練過程中，通常使用 Early Stopping 技術來監控模型的性能並避免過度擬合，以下是我對 Early Stopping 的學習總結：

1. 防止過度擬合：Early Stopping 是一種防止深度學習模型在訓練過程中過度擬合的技術，它通過監控驗證集的性能來決定何時停止訓練，從而使模型在訓練集和測試集上都能表現良好

2. 提前終止訓練：當模型在驗證集上的性能不再改善時，Early Stopping 會提前終止訓練過程，這意味著模型不會持續訓練直到完全擬合訓練數據，從而避免了過度擬合的問題

3. 監控指標的選擇：在使用 Early Stopping 時，我們需要指定要監控的性能指標，通常是驗證集上的準確率或損失值，根據這些指標的變化，決定是否提前停止訓練

4. 設置停止條件：可以通過設置參數來指定 Early Stopping 的停止條件，如最小改善閾值、容忍的停止次數等，這些參數的設置可以根據具體的問題和模型進行調整

5. 避免過度訓練：使用 Early Stopping 技術有助於避免模型在訓練過程中過度訓練，從而提高了模型的泛化能力和效果

總之，Early Stopping 技術是深度學習訓練過程中的一種重要技術，能夠有效地提高模型的性能並避免過度擬合的問題，通過適當地監控模型的性能並及時停止訓練，可以獲得更加穩健和有效的深度學習模型

濃縮凍橘汁
关注
  • 28
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
CNN 特征提取
乐乐的博客
03-03 1471
CNN进行特征提取相关问题
TensorFlow深度学习》--笔记版.pdf
04-06
本书《TensorFlow深度学习》主要面向人工智能特别是深度学习的初学者。作者通过分析人工智能领域中的简单问题，引导读者逐步提出设想、分析方案以及实现方案，使读者能够体会到科研工作者的发现之路，掌握分析问题和...
matlab边缘检测(卷积特征)
热门推荐
jnulzl的专栏
05-17 12万+
一、前言本篇文章主要介绍了CNN网络中卷积层的计算过程，详细了解CNN的其它信息可以参考：技术向：一文读懂卷积神经网络。卷积神经网络(CNN)是局部连接网络。相对于全连接网络其最大的特点就是：局部连接性和权值共享性。因为对一副图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大（局部连接性）；另外，根据图像的局部统计特性，某个区域的权值也可以用于另一个区域(权值共享性)。这里的权值共享说白
pytorch保存准确率_使用PyTorch建立图像分类模型
weixin_39954889的博客
11-22 1018
目录简要介绍PyTorch、张量和NumPy为什么选择卷积神经网络(CNNs)?识别服装问题使用PyTorch实现CNNs1.简要介绍PyTorch、张量和NumPy让我们快速回顾一下第一篇文章中涉及的内容。我们讨论了PyTorch和张量的基础知识，还讨论了PyTorch与NumPy的相似之处。PyTorch是一个基于python的库，提供了以下功能:用于创建可序列化和可优化模型的TorchScr...
卷积神经网络识别运动鞋品牌
m0_60524373的博客
08-28 418
卷积网络识别运动鞋品牌
【tensorflow】T5.运动鞋识别
pung0302的博客
06-07 590
很神奇的是，半个月前选学习率的时候，在本地用cpu跑的0.001只能达到0.7几左右，到0.0005才能到0.85，0.0001的话就50轮完全不够用，收敛不到家（无论如何都跑不到原代码的0.89），遂放弃。半个月后为了写这周的笔记，同样的参数只能达到0.7几的准确率，完全和之前的结果不一样......于是放到gpu上跑，lr在0.001是和原代码跑出来的结果基本一样的（曲线还是有点不大相同），可以知道lr的正确答案应该就是0.001，但是差距这么大是我没想到的...
【Pytorch】计算机视觉项目——卷积神经网络CNN模型识别图像分类
WHYbeHERE的博客
11-06 9521
介绍卷积神经网络CNN的可视化解释器，分步骤详解如何使用Pytorch搭建CNN模型完成图像分类任务。
《动手学深度学习》—学习笔记
studyeboy的专栏
12-02 3283
在线学习网址： https://zh.d2l.ai/ GitHub： d2l-zh（中文版） d2l-en（英文版） 代码 代码是基于Apache MXNet实现，MXNet是一个开源的深度学习框架。它是AWS（亚马逊云计算服务）首选的深度学习框架，也被众多的学校和公司使用。 深度学习简介 机器学习是一门讨论各式各样的适用于不同问题的函数形式，以及如何使用数据来有效的获取函数参数具体值的学科。...
Deep Interest Network for Click-Through Rate Prediction 阅读笔记
xuanshuang的博客
01-04 562
摘要 在电子商务行业的在线广告系统中，如何利用丰富的历史行为数据更好地提取用户的兴趣，是建立点击率预测模型的关键。对用户行为数据有两个关键的观察结果：i）多样性。用户在访问电子商务网站时对不同种类的商品感兴趣。ii）局部激活。用户是否点击一个好的只取决于他们相关的历史行为的一部分。然而，大多数传统的CTR模型缺乏对这些行为数据结构的捕捉。在本文中，我们介绍了一个新的模型，深度兴趣网络（DIN），它是在阿里巴巴的展示广告系统中开发和部署的。DIN通过兴趣分布来表示用户的不同兴趣，并设计了一个类似注意的...
机器学习，深度学习的资料和工具库大全
AITBOOK
08-28 9023
https://github.com/maismall 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工
深度学习如何入门？
GarfieldEr007的专栏
05-25 1万+
beanfrog ，computer vision 161 人赞同 先了解个大概 A Deep Learning Tutorial: From Perceptrons to Algorithms 神经网络肯定是要学习的，主要是BP算法，可以看看PRML3、4、5三章，可先忽略其中的贝叶斯视角的解释。一些主要的算法理解要看具体的论文了，有个Matlab的程序不错，有基本算法的实
项目笔记-基于深度学习的人脸识别1
08-04
【基于深度学习的人脸识别系统】是一个利用现代计算机视觉技术和机器学习算法实现的高级应用，主要涉及Python编程、OpenCV库、以及TensorFlow框架。在本文中，我们将深入探讨这个实时人脸检测与识别系统的工作原理和...
动手入门深度学习笔记-CNN模型以及进阶模型
01-20
卷积神经网络（CNN，Convolutional Neural Network）是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的深度学习模型。CNN的特点在于其利用卷积层来捕获输入数据的空间结构，尤其对于图像数据，能够有效地...
TensorFlow深度学习笔记TensorFlow实现与优化深度神经网络
01-27
本文档主要记录了使用TensorFlow进行深度学习时的一些关键概念和实践操作，包括数据预处理、模型构建、训练优化等，以下为详细知识点。 1. 数据集加载与预处理：在深度学习中，首先需要加载和处理数据集。本文提到...
机器学习Scikit-Learn和TensorFlow的资料笔记.zip
07-24
机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-Learn和TensorFlow的资料笔记.zip机器学习Scikit-...
【人工智能】TensorFlow和机器学习概述
weixin_51306394的博客
08-13 1005
TensorFlow是由Google Brain团队开发的开源机器学习库，用于各种复杂的数学计算，特别是在深度学习领域。以下是对TensorFlow的详细概述：
第T8周：使用TensorFlow实现猫狗识别
weixin_47918905的博客
08-16 450
tqdm可以手动更新，将其对象赋给一个变量，然后调用.update(N)方法来更新进度，tqdm()有个可选的参数设置迭代总数，然后通过update方法进行累加，每次执行update都会打印一次当前进度。它提供了一种简单的方式来跟踪迭代过程的进度，无论是在循环中处理大量数据还是在长时间运行的任务中。使用image_dataset_from_directory方法将磁盘中的数据加载到tf.data.Dataset中。调用update(N)方法，表示完成N次迭代，进度条则会显示对应的百分比。
探索TensorFlow：深度学习的未来
最新发布
2401_85742452的博客
08-16 381
TensorFlow是一个用于数值计算的开源软件库，其设计灵感来源于神经网络的结构。"Tensor"在数学中代表多维数组，而"Flow"则指的是数据在计算图中的流动。TensorFlow允许用户构建复杂的计算模型，并通过自动微分来优化这些模型。
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 1002
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
深度学习笔记：CNN、TensorFlow、图像风格化技术探索
本笔记主要记录了深度学习的知识点，包括卷积神经网络（CNN）、TensorFlow的使用、风格化等。下面是本笔记的详细知识点概述： 卷积神经网络（CNN） 卷积神经网络（CNN）是一种常用的深度学习模型，用于图像识别、...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值