![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习(TensorFlow)
文章平均质量分 81
_(*^▽^*)_
个人水平有限,如果有写错的地方,或者可以改进的地方,希望网友能够批评指正!
展开
-
深度学习 -- TensorFlow(项目)验证码生成与识别(多任务学习)
目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集(数字、大小写英文字母)1-2、随机生成验证码(1000个,长度为4)2、生成验证码测试集代码二、获取数据(训练集、测试集)1、获取数据和标签1-1、获取训练集数据和标签(路径和标签)1-2、获取测试集数据和标签(路径和标签)1-3、数据组合(图像路径和标签)2、打乱数据3、处理每条数据4、自定义重复周期和批次大小5、处理每批数据6、获取一批原创 2021-11-02 22:28:18 · 5579 阅读 · 18 评论 -
深度学习 -- TensorFlow(9)循环神经网络RNN
目录一、循环神经网络RNN介绍二、Elman network && Jordan network三、RNN的多种架构1、一对一2、多对一3、多对多4、 一对多5、Seq2Seq四、传统RNN的缺点一、循环神经网络RNN介绍循环神经网络 RNN 的基本结构是 BP 网络的结构,也是有输入层,隐藏层和输出层。只不过在 RNN 中隐藏层的输出不仅可以传到输出层,并且还可以传给下一个时刻的隐藏层。从结构上可...原创 2021-10-26 21:02:12 · 1866 阅读 · 0 评论 -
深度学习--TensorFlow(项目)识别自己的手写数字(基于CNN卷积神经网络)
目录基础理论一、训练CNN卷积神经网络1、载入数据2、改变数据维度3、归一化4、独热编码5、搭建CNN卷积神经网络5-1、第一层:第一个卷积层5-2、第二层:第二个卷积层5-3、扁平化5-4、第三层:第一个全连接层5-5、第四层:第二个全连接层(输出层)6、编译7、训练8、保存模型代码二、识别自己的手写数字(图像)1、载入数据2、载入训练好的模型3、载入自己写的数字图片并设置大小4、转灰度图5、转黑底白字、数据归一化..原创 2021-10-15 12:23:56 · 23001 阅读 · 22 评论 -
深度学习--TensorFlow(8)CNN卷积神经网络理论(计算机视觉)
计算机视觉是人工智能领域最热门的研究领域之一,并且是近几年发展最快的人工智能领域之一。CV(Computer Vision)领域的快速发展主要得益于卷积神经网络的使用。计算机视觉介绍1、计算机视觉应用人脸识别图像检索(搜索引擎图片搜索)监控光学字符识别OCR(证件识别,车牌识别,文档识别,银行卡识别,名片识别,身份证识 别等)自动驾驶(检测交通标志、路上的行人和车辆等)2、计算机视觉技术图像分类...原创 2021-10-15 08:36:05 · 1397 阅读 · 0 评论 -
深度学习--TensorFlow(7)拟合(过拟合处理)(数据增强、提前停止训练、dropout、正则化、标签平滑)
拟合1、拟合情况拟合分为三种情况:欠拟合、正确拟合、过拟合。训练集中:训练集中,过拟合的效果最好。测试集中:不难看出,测试集中是正确拟合的效果最好。总结:过拟合虽然在训练集中的效果非常好,但是一旦到了测试集,效果就不如正确拟合好。模型复杂度在深度学习中主要指的是网络的层数以及每层网络神经元的各种,网络的层 数越多越复杂,神经元的个数越多越复杂。训练集的误差是随着模型复杂度的提升而不断降低的...原创 2021-10-13 19:54:50 · 5081 阅读 · 1 评论 -
深度学习--TensorFlow(项目)Keras手写数字识别
目录成果展示基础理论一、数据准备1、载入数据集2、数据处理2-1、归一化2-2、独热编码二、神经网络拟合1、搭建神经网络2、设置优化器、损失函数3、训练三、预测1、备份图像数据集2、预测分类3、显示结果(plt)总代码成果展示训练1次:训练30次:基础理论本次手写数字识别,采用的是MNIST数据集。http://yann.lecun.com/exdb/mnist/这里输出层用到了softma...原创 2021-10-11 21:31:55 · 1901 阅读 · 1 评论 -
深度学习--TensorFlow(6)神经网络 -- 拟合线性函数&&非线性函数
目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03,训练1000次:学习率0.05,训练1000次:学习率0.1,训练1000次:可以发现,学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D...原创 2021-10-09 23:10:25 · 5293 阅读 · 5 评论 -
深度学习--TensorFlow(5)BP神经网络(混淆矩阵、准确率、精确率、召回率、F值)
目录一、混淆矩阵二、准确率三、召回率四、精确率五、综合评估指标 -- F值一、混淆矩阵 也程误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示。在机器学习领域,混淆矩阵又称为可能性表格或者是错误矩阵。它是一种特定的矩阵用来呈现算法的效果。后面准确率、召回率、精确率、F值的讲解,都以该例子进行计算:二、准确率准确率:识别成功的概率。公式:准确率比较好理解,难的是后面的召回率和精确率的理解。...原创 2021-10-09 18:08:21 · 5679 阅读 · 0 评论 -
深度学习--TensorFlow(4)BP神经网络(损失函数、梯度下降、常用激活函数、梯度消失&&梯度爆炸)
一、概念与定义BP神经网络:是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想:学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播:把样本的特征从输入层进行输入,信号经过各个隐藏层逐层处理后,最后从输出层传出。反向传播:对于网络的实际输出与期望输出之间的误差,把误差信号从最后一层逐层反传,从而获得各个层的误差学习信号,再根据误差学习信号来修正各个层神经元的权值。周而复始地进行,权值不断调整的过程,就是神经网学习训练的过程。...原创 2021-10-09 16:51:17 · 8673 阅读 · 1 评论 -
深度学习--TensorFlow(3)线性神经网络(线性输入&&非线性输入)(实现)
目录一、线性神经网络(线性输入)1、基础理论2、代码奇葩错误:二、线性神经网络(非线性输入)0、引言1、基础理论三、线性神经网络(非线性输入)实战1、设置初始参数2、正向传播,求线性输出y3、反向传播,更新权重w4、训练&&预测(画图)4-1、画正负样本点坐标4-2、获取非线性输出模型(y)代码一、线性神经网络(线性输入)1、基础理论线性神经网络和上面的单层感知器十分相似,只是把单层感知器的sign...原创 2021-10-08 12:32:03 · 1180 阅读 · 0 评论 -
深度学习--TensorFlow (2)单层感知器2 -- 实现多数据分类
目录一、基础理论前向传递(得到输出y)反向传递(更新权重w)二、实现多数据分类1、设置初始参数2、训练3、画图3-1、画点3-2、画线段总代码一、基础理论这里只写公式,更加详细的可以看前篇CSDN前向传递(得到输出y)(b是偏置)反向传递(更新权重w)更新权重:二、实现多数据分类1、设置初始参数# 1、设置初始参数# 输入 #每一行对应一个标...原创 2021-10-07 16:54:14 · 619 阅读 · 0 评论 -
深度学习--TensorFlow (1)单层感知器1 -- 实现单数据训练
目录基础理论1、单词感知器介绍2、单词感知器学习规则前向传递(得到输出y)反向传递(更新权重w)手写单层感知器1、初始参数设置2、正向传播(得到输出y)3、 反向传播(更新权重参数)总代码基础理论1、单词感知器介绍感知器:模拟生物神经网络的人工神经网络结构。w:权值,可以调节神经信号输入值的大小。b:偏置,相当于神经元内部自带的信号。f(x):激活函数,信号进行线性/非线性变化。(有sign、sigmoid、relu等等激...原创 2021-10-07 12:13:16 · 987 阅读 · 0 评论