深度学习
Joemt
这个作者很懒,什么都没留下…
展开
-
Macbook M1安装pytorch gpu版本
Macbook M1安装pytorch GPU版本原创 2022-06-15 17:14:37 · 2684 阅读 · 3 评论 -
Macbook M1安装tensorflow-gpu教程
import tensorflow as tfprint(tf.__version__)#加载mnist数据集mnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=[28, 28]), tf.keras.layers原创 2021-11-27 19:56:11 · 5040 阅读 · 5 评论 -
残差网络实现
残差网络可以解决多层神经网络问题,这里使用mnist数据集实现一下残差网络。网络模型如下:该代码可以在普通VGG网络中随意添加残差层(RENN(x1, x2, layer_name)),方便建立自己的网络模型。代码:# tensorflow基于mnist数据集上的VGG11网络,可以直接运行from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfimport numpy as npim原创 2020-07-02 22:34:19 · 1681 阅读 · 0 评论 -
显示每一卷积层输出图像
在深度学习中,可以将每一层的卷积结果进行输出显示或保存。该代码可以实现每一层的卷积结果进行输出显示或保存。可以查看每一个卷积之后的效果。代码:# coding=utf-8import tensorflow as tfimport numpy as npimport pdbfrom datetime import datetimeimport cv2import osimport matplotlib.pyplot as pltdef conv_imshow(path, model,原创 2020-07-02 09:55:25 · 3002 阅读 · 1 评论 -
自写VGG模型
VGG模型作为卷积神经网络的经典处理流程,为了更好的理解,因此自写一遍VGG模型,完成训练和识别全过程。函数:对应VGG模型,其主要有卷积核、偏执核、滑动窗口、池化窗口,全连接参数。卷积核:w=[filter_height, filter_width, in_channels, out_channels]偏执核: b=[out_channels]滑动窗口: strides=[ batch滑动步长, height方向滑动步长, width方向滑动步长, channels方向滑动步长]池化窗口: k原创 2020-07-01 10:14:04 · 553 阅读 · 0 评论 -
model.ckpt训练数据保存与读取
保存:saver = tf.train.Saver()saver.save(sess, './model/model.ckpt', global_step=i)读取:model_dir = "./model/" # 文件路径reader = tf.train.NewCheckpointReader(tf.train.get_checkpoint_state(model_dir).model_checkpoint_path)data_dict = reader.get_variable_t原创 2020-07-01 09:42:06 · 1929 阅读 · 0 评论 -
Tensorboard可视化操作
在网络训练过程中,为了更直观的看到训练过程参数,可以利用tensorboard进行可视化。在使用中主要有两个添加数据函数:添加标量参数:tf.summary.scalar(tags, values, collections=None, name=None)例如:tf.summary.scalar('loss', loss)添加直方图参数:tf.summary.histogram(tags, values, collections=None, name=None)例如:tf.summary.his原创 2020-07-01 09:34:10 · 1233 阅读 · 0 评论 -
VisDrone格式训练自己FPN数据集
数据格式定义Xml转txtimport osimport os.pathimport xml.etree.ElementTree as ETimport globclass_names = ['opium']xmlpath = 'xml文件路径'txtpath = '保存txt文件路径'def xml_to_txt(xmlpath, txtpath): os.chdir(xmlpath) annotations = os.listdir('.') annot原创 2020-06-18 20:40:25 · 655 阅读 · 0 评论 -
Windows平台下训练自己的FPN数据集
一、 下载源码:二、 文件准备1、 删除…/FPN_Tensorflow-master/data/tfrecord文件下所有文件2、 删除…/FPN_Tensorflow-master/output/summary/FPN_Res101文件下所有文件3、 删除…/FPN_Tensorflow-master/output/trained_weights/FPN_Res101文件下所有文件4、 删除…/FPN_Tensorflow-master/ tools/demos文件下所有文件5、 删除…/F原创 2020-06-18 20:25:05 · 1009 阅读 · 7 评论 -
训练自己的SSD模型
一、 下载模型:二、 删除tfrecords_、train_model文件夹下所有文件三、 准备数据集1、将自己的图像拷贝到VOC2007\JPEGImages文件下,将标注的xml文件拷贝到VOC2007\Annotations文件下。2、执行VOC2007文件下spilt.py,会在VOC2007\ImageSets\Main文件下生成4个txt文件。3、修改datasets文件下的pascalvoc_common.py的26行标签内容4、修改datasets文件下的pascalvoc_原创 2020-06-09 13:30:37 · 1119 阅读 · 0 评论 -
keras训练自己的yolo3模型
一、首先下载模型:二、制作标签三、配置训练模型1、将原始图像拷贝到VOC2007/JPEGImages文件下2、将制作的xml标签拷贝到VOC2007/ Annotations文件下3、执行spilt.py在VOC2007\ImageSets\Main下生成4个txt文件3、修改voc_annotation.py第6行,为自己的训练识别对象,我这里识别了两个物体分别是watch和person4、修改model_data文件下的coco_classes.txt和voc_classes.txt原创 2020-06-08 23:00:33 · 404 阅读 · 0 评论 -
训练自己FasterRCNN模型
一、模型下载下载FasterRCNN源码链接:https://pan.baidu.com/s/1r9L76SOoZOJxoKya5byf6Q提取码:jnjv二、准备数据集1、利用labelImg对训练目标进行标注2、将标注后的文件分别放入…\models\research\object_detection\images\路径下test、train文件中,其中包含xml文件和原图。3、在…\models\research\object_detection文件夹下执行如下代码,生成可识别标注文件:原创 2020-06-02 22:51:24 · 3267 阅读 · 1 评论 -
Win10+Tensorflow-gpu+Anaconda安装
1、 Anaconda安装直接安装Anaconda3-5.2.0-Windows-x86_64.exe,这里注意在安装过程中,要选择添加路径。2、 Tensorflow-gpu安装在开始菜单中找到打开Anaconda Prompt打开。conda create -n tensorflow-gpu pip python=3.6 # 创建tensorflow-gpu环境activate tensorflow-gpu # 在tensorflow-gpu环境下操作conda in原创 2020-06-02 19:09:49 · 836 阅读 · 0 评论