何雷

cv_data.image = cv::imread(image_path, -1); cv_data.image_nms = cv_data.image.clone(); data_config.scale = std::min(1.0*data_config.iw/data_config.w, 1.0*data_config.ih/data_config.h); data_config.nw = int(data_config.scale * data_config.w);.

PC上装好Ubuntu系统，我们一步一步来讲解如何使用源码安装tensorflow?（我的Ubuntu系统是15.10）根据你的系统型号选择相应的cuda版本下载 https://developer.nvidia.com/cuda-downloads 我选的是cuda-repo-ubuntu1504-7-5-local_7.5-18_amd64.deb右

import tensorflow as tfa = tf.constant(20)b = tf.constant(10)result1 = tf.cond(a > b, lambda: a, lambda: b)result2 = tf.cond(a < b, lambda: a, lambda: b)# Initialize all the variables (includi

原文转自：http://blog.csdn.net/u012162613/article/details/44261657本文是《Neural networks and deep learning》概览 中第三章的一部分，讲机器学习/深度学习算法中常用的正则化方法。（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraini

视觉问题引入深度神经网络后，针对端对端的训练和预测网络，可以看是特征的表达和任务的决策问题（分类，回归等）。当我们自己的训练数据量过小时，往往借助牛人已经预训练好的网络进行特征的提取，然后在后面加上自己特定任务的网络进行调优。目前，ILSVRC比赛（针对1000类的分类问题）所使用数据的训练集126万张图像，验证集5万张，测试集10万张（标注未公布），大家一般使用这个比赛的前几名的网络来搭建自己特

TensorFLow能够识别的图像文件，可以通过numpy，使用tf.Variable或者tf.placeholder加载进tensorflow；也可以通过自带函数（tf.read）读取，当图像文件过多时，一般使用pipeline通过队列的方法进行读取。下面我们介绍两种生成tensorflow的图像格式的方法，供给tensorflow的graph的输入与输出。

转自：http://stackoverflow.com/questions/38218174/how-can-find-the-variable-names-that-saved-in-tensorflow-checkpoint/38226516#38226516from tensorflow.python import pywrap_tensorflowcheckpoint_path = os

谈到生成对抗网络，我们首先想到的是Goodfellow的开山之作：Generative Adversarial Nets。今天，我们就来谈谈这篇文章。针对一个估计数据分布的问题，当模型的类别已知，我们一般采用极大似然方法进行估计。然而，当模型的类别未知或数据分布过于莫杂时，我们如何近似得到数据的俄分布呢？我想，对抗网络的提出给了我们一些思路。生成对抗网络，由两个网络组成，即生成器和判别器，在Goo

1、调节GPU占比TensorFlow比较贪心，默认会占用全部的GPU的资源。可以通过以下方式调节：config = tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction = 0.9session = tf.Session(config=config)另外，可以按需分配GPU资源config = tf.Config

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/g3doc/guide.md

source url: https://stackoverflow.com/questions/43437590/why-is-flags-necessaryUsually FLAGS are used to pass command line arguments into your program. E.g.import tensorflow as tffs = tf.app.flagsfs

深度学习的框架，我们熟知的有caffe，torch和convnet。最近，Google又搞了一个TensorFlow，已经开源：http://www.tensorflow.org/。据说，谷歌的深度学习研究人员都在用TensorFlow，未来也将在机器学习产品中继续使用。那么，作为小码农的我需要紧跟时代的步伐啊，探索一下这个新家伙。

TensorFlow与OpenCV，读取图片，进行简单操作并显示

在很多TensorFlow公布的Demo中，都有这样的代码存在，如下，这是干什么的呢？if __name__ == "__main__": tf.app.run() 我们来看一下源代码：# tensorflow/tensorflow/python/platform/default/_app.py# Copyright 2015 Google Inc. All Rights

学习TensorFlow，在MNIST数据集上建立softmax回归模型并测试一、代码fromtensorflow.examples.tutorials.mnist import input_datamnist =input_data.read_data_sets('MNIST_data', one_hot=True)import tensorflow astfsess =tf.In

学习TensorFlow，多层卷积神经网络

深度学习中，我们经常要使用的技术之一，连接连个通道作为下一个网络层的输入，那么在tensorflow怎么来实现呢？

Simple tutorial for using TensorFlow to compute a linear regression

Simple tutorial for using TensorFlow to compute polynomial regression

在学习TensorFlow的过程中，我们需要知道某个tensor的值是什么，这个很重要，尤其是在debug的时候。也许你会说，这个很容易啊，直接print就可以了。其实不然，print只能打印输出shape的信息，而要打印输出tensor的值，需要借助class tf.Session, class tf.InteractiveSession。因为我们在建立graph的时候，只建立tensor的结构

在深度学习网络结构中，各个层的类别可以分为这几种：卷积层，全连接层，relu层，pool层和反卷积层等。目前，在像素级估计和端对端学习问题中，全卷积网络展现了他的优势，里面有个很重要的层，将卷积后的feature map上采样（反卷积）到输入图像的尺寸空间，就是反卷积层。那么它在tensorflow里是怎么实现的呢？本篇博文讲介绍这方面的内容。1. 反卷积函数介绍tf.nn.conv2d_

在学习深度网络框架的过程中，我们发现一个问题，就是如何输出各层网络参数，用于更好地理解，调试和优化网络？针对这个问题，TensorFlow开发了一个特别有用的可视化工具包：TensorBoard，既可以显示网络结构，又可以显示训练过程中各层参数的变化情况。本博文分为四个部分，第一部分介绍相关函数，第二部分是代码测试，第三部分是运行结果，第四部分介绍相关参考资料。

在github上，tensorflow的star是22798，caffe是10006，torch是4500，theano是3661。作为小码农的我，最近一直在学习tensorflow，主要使用python的接口进行学习。本博文主要以/tensorflow/tensorflow/models/image/mnist（github上下载）作为例程，讲解python代码的实现。 读代码的时候，建议大家理清主线，从主函数开始，调用到那个子函数时，再去阅读子函数的功能。我在minist的python代码

在深度学习中，不管使用那种学习框架，我们会遇到一个很重要的问题，那就是在训练完之后，如何存储学习到的深度网络的参数？在测试时，如何调用这些网络参数？针对这两个问题，本篇博文主要探索TensorFlow如何解决他们？本篇博文分为三个部分，第一是讲解tensorflow相关的函数，第二是代码例程，第三是运行结果。

如果说"Hello Word!"是程序员的第一个程序，那么MNIST数据集，毫无疑问是机器学习者第一个训练的数据集，本文将使用Google公布的TensorFLow来学习训练MNIST数据集。