![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
keras实战
文章平均质量分 84
布兹学长
兔头小白
展开
-
生成对抗网络原理及应用介绍
生成对抗网络(Generative Adversarial Networks,GAN)最早由 Ian Goodfellow 在 2014 年提出,是目前深度学习领域最具潜力的研究成果之一。它的核心思想是:同时训练两个相互协作、同时又相互竞争的深度神经网络(一个称为生成器 Generator,另一个称为判别器 Discriminator)来处理无监督学习的相关问题。通常,我们会用下面这个例子来说明 GAN 的原理:将警察视为判别器,制造假币的犯罪分子视为生成器。一开始,犯罪分子会首先向警察展示一张假币。警察识原创 2022-07-14 10:54:26 · 978 阅读 · 0 评论 -
函数式模型
搭建单通道模型,使用序贯(Sequential)模型和函数式(Functional)模型搭建都可以。搭建代码:2.函数式(Functional)模型搭建搭建代码:使用时需要导入。除了常见的单通道模型之外,还有着许多知名的多通道模型。例如google的Inception:就是典型的多通道模型。序贯(Sequential)模型只能定义有一个通道的模型,假如一个模型有很多通道的话,那么Sequential()序贯模型就定义不了,这个时候就只能使用函数式模型进行网络模型搭建。搭建部分多通道Incepti原创 2022-07-11 10:23:01 · 348 阅读 · 0 评论 -
word2vec介绍及CNN在自然语言中的应用
当我们分析图片或者语音的时候,我们通常都是在分析密集的,高纬度的数据集。我们所需的全部信息都储存在原始数据中。根据词的上下文词汇来预测目标词汇,例如上下文词汇是“今天早餐吃_”,要预测的目标词汇可能是“面包"Skip-Gram模型刚好和CBOW相反,它是通过目标词汇来预测上下文词汇。例如目标词汇是“早餐”,上下文词汇可能是“今天”和“吃面包”把自然语言中的句子转换成矩阵的形式,然后对其进行卷积和池化,池化后拼起来,用个全连接层连接到最后的分类。...原创 2022-07-11 09:56:19 · 432 阅读 · 0 评论 -
图像风格转换
载入vgg16的卷积层和池化层,用来做图像特征提取,将风格照片传入就可以得到特征图,类似于这样的有很多的特征图。这些特征图可以理解为,经过卷积和池化提取到的各种各样的特征。之后还需要对特征图进行一个格莱姆矩阵的变换,变换完之后我们就可以认为我们做了格莱姆矩阵变换之后的结果就是风格图片的风格,认为它就是代表这张图片的风格,到这里我们就认为我们把图片的风格提取出来了。之后我们需要把风格加在正常图片上,让图片风格产生变化。同样我们先把正常图片放在vgg16卷积层和池化层进行处理,最后也可以得到正常图片的特原创 2022-07-10 15:46:37 · 1761 阅读 · 1 评论 -
猫狗分类-VGG16-Finetune
第二种方法的特点就是固化卷积层和池化层的参数,然后把图片放到卷积层和池化层去运算出它的结果,然后再把这个结果作为我们自己搭建的全连接层输入,训练我们自己的全连接层,最后得到这个分类的结果。Finetune的特点它也是使用VGG16在imagenet上训练出来的权值 ,但是在训练的过程中它也会改变卷积层和池化层,它不会像bottleneck一样固化前面的卷积层和池化层,它是整个网络,卷积层,池化层,全连接层都会做一个微调,我们可以把这个学习率设置的小一点,做一个微调,然后慢慢的去改变整个网络的参数,然后使得它原创 2022-07-10 10:56:23 · 396 阅读 · 0 评论 -
猫狗分类-VGG16-bottleneck
第一种方式是自己搭建一个网络,然后所有的参数都是随机的,从零开始训练 。第二种方式用到了bottleneck在别人模型基础上训练自己的网络,其实也不完全是,只是使用了半部分的别人的网络结构和参数。自己搭建一个网络所有的权值都是随机初始化的,我们从头开始训练这个网络。而bottleneck(瓶颈),指的是输出层的前面一部分,输出层最后的目的就是用来做分类的,做分类的前面的那个部分可以叫做bottleneck,在我们这个例子里,bottleneck指的是VGG16里面的用来提取图像特征的卷积池化的那部分。原创 2022-07-10 10:00:45 · 645 阅读 · 2 评论 -
猫狗分类-简单CNN
猫狗分类的数据集可以查看图像数据预处理。代码运行平台为jupyter-notebook,文章中的代码块,也是按照jupyter-notebook中的划分顺序进行书写的,运行文章代码,直接分单元粘入到jupyter-notebook即可。简单CNN实现猫狗分类代码:2.定义模型3.训练数据和测试数据生成测试集通常不需要做复杂的数据生成,测试集只是未来测试才用,而训练集时为了做数据生成是为了1.增加数据量,使得图片各种各样2.增加模型的鲁棒性,使其泛化性更好flow_from_directo原创 2022-07-08 16:56:16 · 1378 阅读 · 0 评论 -
图像数据预处理
首先我们需要先到网上下载猫狗数据集:2.数据集划分刚开始下载的数据train和test都是猫和狗混合的图片,需要修改一下重新划分一下train和test中的猫和狗分别划分出来。文件结构如下:由于训练时长的问题,这里只用到了2000张图片进行训练,1000图片进行验证。可以自行决定训练和测试数据集的大小。代码运行平台为jupyter-notebook,文章中的代码块,也是按照jupyter-notebook中的划分顺序进行书写的,运行文章代码,直接分单元粘入到jupyter-notebook即可。r原创 2022-07-07 16:12:01 · 2070 阅读 · 0 评论