haveanybody的博客

一、简介R-CNN是基于region proposal方法的目标检测算法系列开山之作，由加州大学伯克利分校的RBG大神于2014年提出，其先进行区域搜索，然后再对候选区域进行分类。在R-CNN中，通过Selective search方法来生成候选区域，这是一种启发式搜索算法。它先通过简单的区域划分算法将图片划分成很多小区域，然后通过层级分组方法按照一定相似度合并它们，最后的剩下的就是候选区域（...

一、什么是目标检测 顾名思义，即从一张图片中，检测出有哪些想要知道的物体，同时给出目标所在的位置信息。在深度学习图像处理研究方面，主要分为两类----分类和检测，当然也包括图像合成等其他方面。分类相对简单，通常一张输入图片对应于一个类。分类的特点就是输入场景单一，一张图片属于一个类别，在分类方面也有很多经典的网络，例如AlexNet、VggNet、ResNet等等，现在的准确率也是...

word2vector是google提出的一种词嵌入算法，采用了两种模型（CBOW和Skip-Gram模型）与参考资料https://www.jianshu.com/p/1405932293eahttp://mccormickml.com/2018/06/15/applying-word2vec-to-recommenders-an...

基础操作函数tf.abs(x, name=None)计算张量的绝对值，输入一个Tensor 或 SparseTensor，返回一个与x 有相同的大小和类型 的Tensor 或 SparseTensor。tf.add(x, y, name=None)返回 x + y 值，x和y有相同类型。tf.acos(x, name=None) / tf.asin / tf.ata...

1、RNN在DNN和CNN中，训练样本的输入和输出往往都是确定的，并且对单个样本前后之间的关系不关心。这就导致DNN和CNN不好解决训练样本输入是连续的序列,且序列的长短不一，比如基于时间的序列：一段段连续的语音，一段段连续的文字。这些序列比较长，且长度不一，比较难拆分成一个个独立的样本来通过DNN/CNN进行训练，并且序列前后之间往往有很大的关系。而这正是RNN比较擅长的任务。先晒一张大家经...

最近在看TF2.0的内容，顺便把以前的内容也做下笔记，以便查阅。所有程序在不注明的情况下，默认使用tensorflow1.14版本。数据加载是训练模型的第一步，合理的数据加载方式虽然不会对模型效果有促进作用，但是会大大加快训练过程。TensorFlow中常用的数据加载方式有四种：内存对象数据集，在学习阶段最常见的数据加载方式，在session中直接用字典变量feed_dict给变量喂数据，...

前言ResNet（Residual Neural Network）由微软研究院的Kaiming He、Xiangyu Zhang、Shaoqing Ren、Jian Sun四名华人提出，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57%，对应的论文《Deep Residual Learning for Image Recognition》更是 2016 CVPR 最佳论文...

前言GoogLeNet是2014年ImageNet挑战赛(ILSVRC14)的冠军，将Top5的错误率降低到6.67%，是由谷歌（Google）研究出来的深度网络结构，为什么不叫GoogleNet，而叫GoogLeNet呢？据说是为了向“LeNet”致敬，因此取名为GoogLeNet。从LeNet到VGGNet，提升网络性能最直接的办法就是增加网络深度和宽度，深度指网络层次数量、宽度指神经元数...

前言VGG-Net是由牛津大学VGG（Visual Geometry Group）提出，是2014年ImageNet竞赛定位任务的第一名和分类任务的第二名的中的基础网络。VGG可以看成是加深版本的AlexNet，都是Convlayer + Pooling layer + FC layer，它主要的贡献是展示出网络的深度（depth）是算法优良性能的关键部分，并且小卷积核表现出了更好的效果。虽...

一、前言AlexNet是大神Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton三人提出的AlexNet深度卷积神经网络，摘得了2010年ILSVRC比赛的桂冠。虽然第一个典型的CNN是LeNet5网络结构，但是第一个引起大家注意的网络却是AlexNet。二、LeNetLeNet是卷积神经网络的祖师爷LeCun在1998年提出，用于解决...

今天在测试一个模型的时候遇到了下面的问题，在网上没找到解决方法，说一下解决思路。tensorflow.python.framework.errors_impl.InvalidArgumentError: You must feed a value for placeholder tensor 'input_1_1' with dtype float and shape [?,224,224,3]...

tf.sparse_placeholder是tensorflow中稀疏矩阵占位符，主要用于计算CTC的loss。从名字看，就是一个占位符用的，需要在run的时候喂数据。另外TF中还有一个稀疏矩阵张量 tf.SparseTensor。我在使用的时候一直报下面的错：[feed.indices, feed.values, feed.dense_shape], feed_val)),TypeErro...