深度学习
文章平均质量分 63
深度学习
古月哥欠666
这个作者很懒,什么都没留下…
展开
-
gan与dcgan训练自己的数据集
一般需要设置epoch ,batch_size,out_dir,dataset,input_fname_pattern等参数,另外训练的时候加上–train,需要裁剪图片的话加上–crop与input_height,output_height,也要加上visualize进行可视化,可以查看不同批次的训练结果。其实就是batch_size设置的问题,因为代码中有开放操作,所以batch_size设置最好是能被开放整数,例如4,16,32等,另外也要注意图片总的个数大于且是batch_size的整数倍。原创 2022-11-29 11:16:57 · 2404 阅读 · 0 评论 -
gcc: error trying to exec ‘cc1plus‘: execvp: no such file or directory
安装主要是利用apt-get安装,如果没有root权限的话,只能下载源码进行编译安装,然后添加路径环境,安装完之后在用户的bin文件夹下建立软连接用来调用。如果需要安装新的版本,只需要将原来的备份,重新将软连接指向新版本的即可。update-alternatives是ubuntu系统中专门维护系统命令链接符的工具,通过它可以很方便的设置系统默认使用哪个命令、哪个软件版本。conda虚拟环境中gcc与g++不匹配,默认情况下是系统一样,有时编译时需要不同版本,也可能出现版本冲突。1.查看不同gcc版本。原创 2022-11-29 11:13:16 · 2035 阅读 · 0 评论 -
车道线检测-lanedet
SCNN,RESA论文介绍,UFLD介绍,laneNet|其它相关模型,LaneATT介绍主要是CULane与TuSimple两个数据集。原创 2022-11-29 11:09:37 · 807 阅读 · 0 评论 -
yolov5训练测试与源码解读
源码地址https://github.com/ultralytics/yolov5可以通过git clone 或者下载压缩包到本地项目文件夹关于yolov5其优势以及源码解读可以查看其它优秀文章,这里只是对于初次接触yolov5,且想在本地运行测试的同学借鉴这里提供运行代码需要避免的问题1.要求python>=3.7,相对应安装相匹配的opencv-python,要求opencv-python>=4.1.1,可以考虑建一个虚拟环境。清华镜像opencv-python地址https:/原创 2022-05-10 22:29:35 · 728 阅读 · 0 评论 -
基于深度学习的图像分类算法核心思想与算法优化总结(深度学习与图像分析-李松斌)
深度学习-图像分类算法恒等映射残差单元-ResNet多层密集连接-DenseNet特征通道重标定-SENet通道压缩与扩展-SqueezeNet深度可分离卷积-MobileNet二级目录三级目录恒等映射残差单元-ResNetResNet 是在 2015年 由何凯明等几位大神提出,斩获当年ImageNet竞赛中分类任务第一名,目标检测第一名。获得COCO数据集中目标检测第一名,图像分割第一名。残差单元原理H(x)= F(x)+x多层密集连接-DenseNethuang等2017年受ResNet启发原创 2022-04-23 15:27:13 · 5649 阅读 · 0 评论 -
利用conda创建虚拟环境、pip导出环境与项目依赖包
首先查看已经存在的虚拟环境conda env list或者conda info -econda创建虚拟环境conda create --环境名 python=版本号#这里不需要预先建立环境名文件夹,它会自动在conda包里的envs文件下建立对应的虚拟环境激活或者切换虚拟环境每次使用时先在anaconda prompt端口或者命令行激活环境,也可以切换到不同环境下,然后再进行一系列其它操作activate 环境名重命名环境名conda没有直接重命名环境名的方法,可以曲线解决,原创 2022-04-23 14:01:20 · 2783 阅读 · 0 评论 -
CNN人脸识别项目(dlib+opencv)
CNN人脸识别获取数据集读取数据集数据预处理建立模型进行预训练对图片进行人脸进行检测并进行可视化总结思路:一个CNN人脸识别项目首先必不可少的是数据集,获取的方式有网站数据库 PubFig:Public Figures Face Database、Large-scale CelebFaces Attribtes(CelebA) Dataset、BioID Face Database-FaceDB、YouTube Face等网站,或者是自己根据需求在网页抓取图像并进行图像的一些预处理操作然后是建立一个原创 2022-03-28 23:50:42 · 7380 阅读 · 1 评论 -
数据预处理方法
对于pytorch框架来说数据预处理可以使用transforms函数from torchvision import datasets, transformspipline_train = transforms.Compose([ #随机旋转图片 transforms.RandomHorizontalFlip(), #将图片尺寸resize到32x32 transforms.Resize((32,32)), #将图片转化为Tensor格式 transfor原创 2022-01-03 23:33:11 · 2107 阅读 · 0 评论 -
利用git上传代码到github步骤以及遇到的问题
这里主要是根据自己在使用过程中遇到的问题,通过查阅博客选取一些常见的问题解决办法一,首先是关于git上传代码的步骤见链接使用Git上传文件夹到GitHub仓库二,如果按照步骤没有问题的话恭喜你不用折腾了,如果按照步骤出现对应的错误,下面有一些解决办法,虽然不太懂原理,但是照做,只要能成功就行是吧。1.首先在把github上面的仓库克隆到本地这一步出现fatal: unable to access 'https://github.com/qzpzd/pytorch.git/': OpenSSL SSL原创 2021-12-31 19:55:00 · 713 阅读 · 0 评论 -
pytorch、torch下载与安装
pytorch下载与安装这里选取的是window的,其它系统重新选取就行下载地址1 下载地址2torch- torchvision- python版本对应关系1.py3.7是指你的python版本是python3.7;2.cuda100是指cuda的版本是10.0版本。如果不知道自己的电脑的cuda版本号是多少,可以在cmd输入以下命令查看:nvcc -V用Aaconda Prompt或者cmd命令cd到文件下载的目录进行安装(两种安装方式)pip install torch-1.1.0原创 2021-12-27 11:16:00 · 10913 阅读 · 1 评论 -
tensorflow与pytorch关于卷积尺寸计算不同之处
pytorch与tensorflow主要是padding的指定不同。tensorflow主要有两种方式‘same’、与‘valid’。其卷积尺寸计算公式为:注:这里假设图像尺寸长宽一样same:说明卷积之后的图像尺寸与输入图像一样,则输出图像尺寸=输入图像尺寸/卷积核步长(若除不尽,向上取整)valid:相当于padding=0,表示没有填充输出图像尺寸=(输入图像尺寸-卷积核尺寸)/卷积核步长 + 1对于pytorch的padding是指定某个数,其会有一个统一公式:输出图像尺寸=(输原创 2021-12-23 12:38:41 · 2330 阅读 · 0 评论 -
cuda与cudnn最全下载安装、更换版本方法
这里将cuda与cudnn安装涉及到的问题从都到尾进行了总结,按照对应方法即可cuda和cudnn与tensorflow版本对应关系cuda下载地址cudnn下载地址cudnn与cuda简单安装方法cudnn与cuda详细安装方法【Windows 10】多个CUDA版本之间的切换以上内容皆为转载优秀博客内容,没办法自己太懒了...原创 2021-12-20 11:59:52 · 281 阅读 · 0 评论 -
机器学习中的判别式模型和生成式模型
机器学习中的判别式模型和生成式模型转载 2021-11-25 16:54:17 · 70 阅读 · 0 评论 -
tensorflow_hub关于模型保存的一些问题
OSError: SavedModel file does not exist at: C:\Users\Smile\AppData\Local\Temp\tfhub_modules\32b492d0afc932c2601651b5353fae0c3ae7d0f3/{saved_model.pbtxt|saved_model.pb}这是遇到的问题意思是,temp文件夹里没有从hub保存的临时模型,至于为什么没有,不太清楚,我看了下文件夹有的时候会有,有的时候没有,不得不说,程序员总会遇见这些不着头脑的原创 2021-11-17 15:51:19 · 1214 阅读 · 0 评论 -
混淆矩阵--在图像精度的应用(mIou指标)
主要运用在图像分割当中的miou指标–(unet网络)混淆矩阵在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面,如下,对角线为正确分类的点。这里顺便讲下ROC与PRC、F1以上两个评估指标也用于验证集的评估,且两者比较相似,可以进行转换ROC曲线纵坐标为TPR(召回率),横坐标为FPRAUC面积为了计算 ROC 曲线上的点,我们可以使用不同的分类阈值多次评估逻辑回归模型,但这样做效率非常低。幸运的是,有一种基于排序的高效算法可以为我们提供此类原创 2021-11-12 21:58:48 · 4024 阅读 · 2 评论 -
yolo-v4-预测图像绘制
def detect_image(self, image): #---------------------------------------------------# # 计算输入图片的高和宽 #---------------------------------------------------# image_shape = np.array(np.shape(image)[0:2]) #------------...原创 2021-11-08 19:47:35 · 2591 阅读 · 0 评论 -
数据输入流水线与估计器API
数据输入流水线通过构建tf.data.Dataset对象进行数据的提取、转换、载入有多种创建数据集对象的方法,具体选择哪种取决于数据源1.内存中的张量:tf.data.Dataset.from_tensors或者tf.data.Dataset.from_tensors_slices2.python生成器:tf.data.Dataset.from_generator3.一系列模式匹配的文件中:tf.data.Dataset.list_files还有两种特殊的1.tf.data.TFRecordD原创 2021-11-08 19:06:07 · 87 阅读 · 0 评论 -
yolo-V4-预测框解码部分
这部分主要关于对网络输出的三个不同大小的特征层(13,13)、(26,26)、(52,52)的预测框利用先验框anchors进行解码的过程(也就是利用先验框来对模型输出的预测框进行微调)首先给出对应不同特征层对应的anchos,由聚类算法单独得出,一般是固定的#-----------------------------------------------------------## 13x13的特征层对应的anchor是[142, 110],[192, 243],[459, 401]# 26原创 2021-11-07 21:00:29 · 3130 阅读 · 1 评论 -
深度学习之神经网络-tensorflow2.0-kerasAPI框架模板
import tensorflow as tffrom tensorflow.keras.datasets import fashion_mnistdef make_model(n_classes): return tf.keras.Sequential( [ tf.keras.layers.Conv2D( 32, (5, 5), activation=tf.nn.relu, input_shape=(28, 28, 1原创 2021-10-30 10:47:12 · 361 阅读 · 0 评论 -
基于opencv的情绪检测
传统的情绪检测是用级联检测器来实现,也可以通过卷积网络训练模型来实现。为了可以很好的进行图像预测,首先需要进行模型的训练1.导入模块from __future__ import print_functionimport kerasfrom keras.preprocessing.image import ImageDataGeneratorfrom keras.models import Sequentialfrom keras.layers import Dense,Dropout,Acti原创 2021-10-09 18:34:32 · 1593 阅读 · 1 评论 -
机器学习的学习经验总结!
机器学习算法部分编程实践部分机器学习的知识体系学习资料链接:钥匙书(机器学习理论导引补充):https://github.com/datawhalechina/key-book南瓜书(周志华西瓜书详细解读补充):https://github.com/datawhalechina/pumpkin-bookEasy-RL(深度强化学习教程):https://github.com/datawhalechina/easy-rlLeeML-Notes(李宏毅老师-机器学习课程笔记):https:/原创 2021-09-16 16:06:24 · 69 阅读 · 0 评论 -
Sigmoid、Tanh、ReLu 这三个激活函数有什么缺点或不足,有没改进的激 活函数?
Sigmoid、Tanh、ReLu 这三个激活函数有什么缺点或不足,有没改进的激活函数?答:sigmoid 缺点:若激活值很大的时候或者很小,激活函数在其区域梯度很小使得训练速度很慢。Tanh 缺点:同上。Tanh 优点:数据类似于集中于零左右。ReLU 缺点:在零的时候不可导,若激活值小于零,梯度为零,使得训练速度很慢,不过这种情况很少发生,有足够多的神经元使得其 z 值大于零。改进:采用含虚弱的 ReLU 激活函数,即若小于零时,也让其有点梯度。比如小于零时,激活函数为:0.01Z原创 2021-08-13 15:41:32 · 2052 阅读 · 0 评论