最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
panda 0.66 0.89 0.76 278
accuracy 0.61 750
macro avg 0.59 0.60 0.58 750
weighted avg 0.60 0.61 0.59 750
此网络很小,当与小数据集结合时,我的 CPU 上每个epoch只需 2 秒。
在这里你可以看到,我们的网络正在获得60%的准确性。
由于我们随机挑选给定图像的正确标签的几率为 1/3,我们知道我们的网络实际上已经学会了可用于区分三个类别的模式。
我们还保存了我们的情节:
-
训练损失
-
验证损失
-
训练精度
-
验证精度
…确保我们能够轻松地发现我们的结果中过度拟合或不合适。
**图10:**我们简单的神经网络训练脚本(与Keras一起创建)生成精确/丢失情节,以帮助我们发现不足/过度拟合。
看看我们的情节,我们看到少量的过度适合开始发生超过epoch+45,我们的训练和验证损失开始分歧,并出现了明显的差距。
最后,我们可以将模型保存到磁盘中,以便以后可以重复使用,而无需重新训练它:
save the model and label binarizer to disk
print(“[INFO] serializing network and label binarizer…”)
model.save(args[“model”], save_format=“h5”)
f = open(args[“label_bin”], “wb”)
f.write(pickle.dumps(lb))
f.close()
==============================================================================
在这一点上, 我们的模型是训练有素的, 但如果我们想在我们的网络已经培训后对图像做出预测呢?
那我们该怎么办?
我们如何从磁盘中加载模型?
我们如何加载图像,然后对图像进行预处理以进行分类?
在predict.py 脚本中,我将向您展示如何操作,因此打开它并插入以下代码:
import the necessary packages
from tensorflow.keras.models import load_model
import argparse
import pickle
import cv2
construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument(“-i”, “–image”, required=True,
help=“path to input image we are going to classify”)
ap.add_argument(“-m”, “–model”, required=True,
help=“path to trained Keras model”)
ap.add_argument(“-l”, “–label-bin”, required=True,
help=“path to label binarizer”)
ap.add_argument(“-w”, “–width”, type=int, default=28,
help=“target spatial dimension width”)
ap.add_argument(“-e”, “–height”, type=int, default=28,
help=“target spatial dimension height”)
ap.add_argument(“-f”, “–flatten”, type=int, default=-1,
help=“whether or not we should flatten the image”)
args = vars(ap.parse_args())
首先,我们将导入所需的包和模块。 每当您编写脚本以从磁盘加载 Keras 模型时,您都需要显式导入 from。 OpenCV 将用于注释和显示。该模块将用于加载我们的标签 binarizer.load_modeltensorflow.keras.modelspickle 接下来,让我们解析我们的命令行参数:
–image :我们输入图像的路径。
–model :我们经过训练和序列化的 Keras 模型路径。
–label-bin :序列化标签二值化器的路径。
–width :我们的 CNN 输入形状的宽度。本次设置为32。
–height :输入到 CNN 的图像的高度。本次设置为32。
–flatten ÿ