![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 78
guotianqing
这个作者很懒,什么都没留下…
展开
-
Linux conda中Tensorflow GPU安装配置全面梳理(包含cuda、cudnn)
CPU VS GPUCPU: 中央处理单元。由数百万个晶体管组成,可以有多个处理内核,执行计算机和操作系统所需的命令和流程。GPU: 图形处理单元。由许多更小、更专业的内核组成的处理器。 在多个内核之间划分并执行一项处理任务时,通过协同工作,这些内核可以提供强大的性能。由于其设计目标的不同,它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型,同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。CPU 基于低延时的设计,具有强大原创 2022-02-28 09:53:40 · 5377 阅读 · 0 评论 -
C++使用TensorFlow加载python训练好的模型
简介工作流程:python: 使用keras训练模型并保存为h5(keras以tensorflow为引擎)python: 转换h5为pb文件python: 加载模型,并验证模型无误c/c++: 加载并使用模型依赖安装:# 指定版本安装# 如果已经存在该包的更高版本,会自动卸载并重新安装# 显示卸载示例:pip uninstall opencv-pythonpip install tensorflow==1.13.1pip install h5py==2.10pip instal原创 2021-04-22 09:04:04 · 1923 阅读 · 0 评论 -
保存与加载Keras训练好的模型
简介可以在训练过程中和训练完成后保存模型,这样就可以很方便地恢复和重用模型,节省模型训练时间。这样也便于别人使用你的模型,一般有两种方式共享模型:创建模型的源码训练好的模型(包括权重、参数等)这里主要使用第二种方式。使用的框架是TensorFlow2.4的高阶API:Keras进行模型训练。验证环境假设你已经安装好了TensorFlow2.4的运行环境。如未安装,请稳步 install安装依赖:pip install -q pyyaml h5py # Required to原创 2021-03-23 19:26:18 · 3422 阅读 · 0 评论 -
Linux使用Anaconda安装TensorFlow2.4.1
安装Anaconda官网下载:Anaconda3-2020.02-Linux-x86_64.sh直接执行脚本,开始安装过程,中间选项根据需求选择,不清楚的选默认。安抚完成。根据安装目录把conda加入到系统环境变量。创建虚拟环境开始前,先配置conda的下载源:conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels htt原创 2021-03-18 09:30:11 · 1919 阅读 · 3 评论 -
编译Tensorflow2.4.1 C++ API动态库
环境系统环境:% cat /etc/issueUbuntu 18.04.5 LTS \n \l安装的tensorflow为当前Release版本:tensorflow-2.4.1.tar.gz。可直接到github下载。在其他版本的Linux上也可以安装。本文目标:编译出tensorflow的动态链接库以及准备好tensorflow第三方依赖库。基础包包括但不限于python3、Numpy、tar、zip、git等。如果有缺失,安装过程中会报错,根据提示安装即可。大部分系统已经默认原创 2021-03-17 18:53:44 · 1506 阅读 · 1 评论 -
基于Tensorflow2.4的C API下载安装及应用构建
目标安装c语言版本的tensorflow2.4版本库及头文件。安装完成后,能够使用c语言调用tf2库。支持平台:Linux, 64-bit, x86。其他版本可在文后链接查询。安装直接使用编译好的动态库和打包好的头文件,免去编译过程,直接使用。下载地址:仅支持CPU版本:https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-cpu-linux-x86_64-2.4.0.tar.gz支持GPU版本:ht原创 2021-03-16 15:23:52 · 829 阅读 · 1 评论 -
使用循环神经网络预测温度
简介本文以天气时间序列数据集为例,讨论如何使用深度学习模型预测未来天气温度。使用的是由德国耶拿马克思普朗克生物地球化学研究所的气象站记录。数据每10分钟记录一次,共记录14种不同的量,如气温、气压、湿度、风向等,原始数据可追溯到2003年,本例只使用2009-2016年的数据。数据下载并解压数据略。加载数据:data_dir = r'E:\practice\tf2\temperature'fname = os.path.join(data_dir, 'jena_climate_2009_原创 2020-12-31 21:42:03 · 4796 阅读 · 5 评论 -
使用循环神经网络RNN进行IMDB影评分类
简介这是一个使用深度学习处理文本序列的示例。我们已经尝试使用密集连接层处理过IMDB数据集,回顾请参考Imdb影评分类。本文使用循环神经网络来处理文本序列。文本处理文本可以理解为单词序列或字符序列。现在已经广泛使用的自然语言理解、文档分类、自动问答等都可以看作是深度学习在文本识别领域的应用。本文介绍的深度学习模型并没有像人类一样真正地理解了文本,而只是映射出书面语言的统计结构,但这也足以解决许多简单的文本处理任务。深度学习用于自然语言处理是将模式识别应用于单词、句子和段落,这与计算机视觉原创 2020-12-29 16:39:03 · 4131 阅读 · 1 评论 -
MNIST数字分类——使用卷积神经网络
简介关于使用Dense层(密集连接型网络)处理MNIST数字图像分类的问题,可以参考使用keras构建和训练mnist的神经网络。卷积神经网络,是计算机视觉领域使用最广泛的一种深度学习模型。可以对比,使用简单的卷积神经网络,即可达到比使用Dense层模型精确度更高的模型。与密集连接层不同,卷积层学到的是图像的局部模式,而Dense层是从输入空间中学习全局模式。这个重要特性使用卷积神经网络具有以下特点:学习到模式具有平移不变性,这使得它可以在图像的任意位置识别该模式,能够高效利用数据,只需要更少原创 2020-12-22 18:40:03 · 3683 阅读 · 0 评论 -
使用keras处理深度学习中的回归问题——波士顿房价预测
简介与以往解决分类问题不同,它输出的是一些离散的值,本例解决的是回归问题,输出的是连续的值。本例将用于预测上个世纪70年代中期波士顿郊区房屋价格的中位数。已知当时的一些数据点,如犯罪率、房地产税等。注意,本例中包含的数据点较少,只有506个,分为404个训练样本和102个测试样本。且输入数据的每个特征都有不同的取值范围。有些特征是比率,取值范围为0-1,有些特征是取值为1-12,还有些特征取值为0-100等。下面开始。加载数据该数据集内置为keras,直接加载即可:from keras原创 2020-12-13 15:43:42 · 2197 阅读 · 1 评论 -
使用Keras处理深度学习中的多分类问题——路透社新闻分类
简介本文将着手构建一个网络,将路透社新闻划分为46个互斥的主题,与二分类问题不同,这是一个多分类问题。关于二分类问题的处理方式,请参考:使用Keras处理深度学习中的二分类问题——Imdb影评分类。对于某个新闻,它只能划分到46个类别中的一个,所以这个问题又是单标签、多分类问题。如果每条新闻可以划分到不同的主题,那就是多标签、多分类问题了。路透社数据集由路透社在1986年发布,包含许多短新闻及其对应的主题,它是一个简单、广泛使用的文本分类数据集。它包含46个主题,某些主题的样本会比较多,有些比较原创 2020-12-08 18:52:12 · 1505 阅读 · 3 评论 -
使用Keras处理深度学习中的二分类问题——Imdb影评分类
简介二分类问题是应用很广泛的机器学习问题,它根据输入,回答yes/no。IMDB数据集,包含来自互联网电影数据库(IMDB)的50000条严重两极分化的评论。数据集被分为用于训练的25000条评论和用于测试的25000条评论,训练集和测试集中都包括50%的正面评价和50%的负面评价。IMDB数据集内置于Keras库中,它已经过预处理,单词序列的评论已经被转换为整数序列,其中每个整数代表字典中的某个单词。下面开始。加载数据直接加载IMDB数据:from keras.datasets imp原创 2020-12-06 21:58:47 · 2675 阅读 · 2 评论 -
神经网络的数学原理——张量运算、梯度下降
张量神经网络使用的数据经常是存储在Numpy数组中,也称为张量。一般来说,当前所有机器学习系统都使用张量作为基本数据结构。张量这一概念的核心在于,它是一个数据容器。它包含的数据几乎总是数值数据,因此它是数字的容器。矩阵是二维张量,张量是矩阵向任意维度的推广,张量的维度通常也叫做轴。常用的张量数据如下:标量(0D张量):仅包含一个数字的张量。在Numpy中,一个float32或float64的数字就是一个标量张量可以使用ndim属性查看一个Numpy张量的轴的个数标量张量有0个轴,张原创 2020-11-21 15:23:34 · 1301 阅读 · 0 评论 -
深入理解深度学习
基础简介人们在谈论AI时,常常会混淆人工智能、机器学习和深度学习的关系。其实,它们之间的关系很简单,一张图就说明了:人工智能是非常宽泛的,一般来说将通常由人类完成的智力任务自动化,就可以称为人工智能。因此,人工智能是一个综合性的领域,不仅包括机器学习和深度学习,还包括许多不需要学习的方法,如:一个自动化完成特定的任务的脚本程序,如定时任务早期的国际象棋程序,由精心编写的硬编码规则完成,不涉及机器学习只要足够用心,硬编码理论上可以解决许多明确定义的逻辑问题。但是它难以处理更复杂、模糊的问原创 2020-11-14 21:56:27 · 1157 阅读 · 0 评论 -
使用keras构建和训练mnist的神经网络
简介mnist是机器学习领域的经典数据集,其用例学习堪比编程领域的的“hello world”。它包含60000张训练图像和10000张测试图像,这些图像是手写的数字,目的是要通过机器学习的方法把这些图像分为10类:0——9。mnist数据集预先加载在keras库中,其中包含有4个Numpy数组。关于mnist数据加载的问题,请参考本地加载测试mnist数据集——使用keras库。开始构建神经网络跟我一起来,按下面的步骤构建网络。加载数据集from keras.datasets im原创 2020-10-22 20:42:10 · 1572 阅读 · 3 评论 -
本地加载测试mnist数据集——使用keras库
简介在机器学习的领域里,一个经典的示例就是将手写数字的灰度图像划分到10个分类中。图像是28像素*28像素,10个分类就是0-9。数据集就是mnist。mnist数据集是机器学习领域的一个经典数据集,包含60000张训练图像和10000张测试图像,由美国国家标准与技术研究院(NIST)在上个世纪80年代收集得到。这个问题可以看作是深度学习领域的“hello world”,用它来验证算法是否按预期运行。马上开始吧!加载数据有两种方法可以加载到数据:网络下载from keras.dat原创 2020-10-22 20:38:39 · 9727 阅读 · 20 评论 -
使用TensorFlow2实现第一个程序:Hello World
简介关于TensorFlow的安装,请参考。对于不熟悉DNN的同学,直接上复杂的概念不容易上手,我觉得还是先来点简单的。本文就是使用TensorFlow2实现在屏幕上输出“Hello World”字串的功能。即使是这么一个简单的程序,中间还是有一些小问题,一并解决。代码这是第一版代码,使用的TensorFlow v1.0版本代码,网上可以找到许多这样的代码:'''HelloWorld example using TensorFlow library.Author: Aymeric Da原创 2020-10-12 18:38:15 · 1827 阅读 · 2 评论 -
win10便捷安装TensorFlow2——使用Anaconda
简介机器学习是指帮助软件在没有明确的程序或规则的情况下执行任务。对于传统计算机编程,程序员会指定计算机应该使用的规则。但是,机器学习需要另一种思维方式。现实中的机器学习对数据分析的注重程度远高于编码。程序员提供一组样本,然后计算机从数据中学习各种模式。可以将机器学习视为“使用数据进行编程”。TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统,其中包含各种工具、库和社区资源,可助力研究人员推动先进机器学习技术的发展,并使开发者能够轻松地构建和部署由机器学习提供支持原创 2020-09-19 14:32:43 · 274 阅读 · 0 评论 -
深度学习框架简介
概述简介人工智能诞生于1950年代,深度学习是机器学习的一个特定子领域:从数据中学习表示的一种新方法,强调学习越来越有意义的表示的连续层(layers)。深度学习将数据中高层次化的模式建模成复杂的多层网络,需要进行大量的计算来构建一个有用的模型。在深度学习中,这些分层的表示(几乎总是)是通过称为神经网(neural networks)的模型来学习的,这些模型的结构是逐层堆叠在一起的文字层...原创 2019-06-30 20:54:52 · 5395 阅读 · 0 评论