2.6 +tensorboard注意事项

在使用TensorFlow的`tf.name_scope`时,注意空格的使用,错误的空格可能导致图表显示异常。
摘要由CSDN通过智能技术生成

###tf.name_scope中的 " "不能用错, 不然出的图有问题


import tensorflow as tf
sess = tf.Session()
import numpy as np

#  production a   x

x = np.random.normal(1,0.1,100)
x
# make num 100  promix 1.0 of data
array([0.9940863 , 1.0304992 , 0.97762058, 1.00800432, 1.09195523,
       1.04937778, 0.95781823, 1.06891063, 0.94594961, 0.99332174,
       1.1589545 , 1.10732833, 0.97627867, 1.04687933, 0.92893362,
       1.02236687, 1.07791149, 0.81510138, 0.87561273, 0.87422627,
       0.8737469 , 1.08922373, 1.00822831, 0.8541234 , 0.90521653,
       0.84234838, 1.1371707 , 1.07264756, 0.88866021, 0.9980784 ,
       0.93725592, 0.90316074, 0.83849088, 1.07578197, 0.97986209,
       0.93641678, 0.9980677 , 1.00581579, 0.8082092 , 0.83065287,
       1.20228752, 1.03061245, 1.07856248, 0.98809772, 0.8651765 ,
       0.80070672, 1.07697638, 1.00540903, 1.02907557, 1.11805012,
       0.90835062, 1.15296408, 0.92525936, 1.11672323, 0.97416803,
       1.05164406, 0.95883872, 1.03260443, 1.11979878, 1.09814452,
       1.09492511, 1.11094313, 1.05098334, 1.19756396, 0.88801811,
       1.01537291, 0.83697104, 0.8347254 , 1.052225  , 1.06100486,
       0.99021897, 1.10517371, 0.96112858, 1.14092349, 0.93125747,
       0.99306431, 1.10388539, 1.02804944, 0.85029264, 0.97945323,
       0.93903668, 1.12861977, 1.03370816, 1.14675805, 0.86452402,
       0.88838304, 1.15429755, 0.94009355, 1.00283223, 1.14122523,
       0.94519934, 0.93035902, 1.0623609 , 1.00111134, 0.95058915,
       1.16332812, 1.06759074, 1.04075368, 1.11460525, 0.86604754])
y = np.repeat(10,100)
y
# make  100`s  10
array([10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10,
       10, 10, 10, 10, 10, 10, 10
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值