深度学习基本知识

最新推荐文章于 2023-10-10 15:23:56 发布
最新推荐文章于 2023-10-10 15:23:56 发布
阅读量144 收藏
点赞数
分类专栏： 人工智能 文章标签： 深度学习 人工智能 计算机视觉 tensorflow python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_28949847/article/details/106428521
版权

                                              目录

第一章. 环境安装

       第一节 tensorflow安装

                    一、TensorFlow GPU 1.12.0 安装

第二章. 相关概念

       第一节基本概念

                    一、归一化、信息熵、交叉熵

                    二、 正向传播、反向传播

                    三、激励函数（激活函数）

第三章. 函数讲解

       第一节. TensorFlow

                    一、tf.nn.max_pool()

                    二、tf.nn.conv2d()

第四章. 模型

       第一节. 目标检测

                    一、 目标检测图片resize下标注框box的变化方式

                    二、one-stage two-stage 的区别

       第二节. 非线性回归

                    一、 非线性回归-武汉疫情确诊、疑似、死亡、治愈人数预测

       第三节. 语义分割

                    一、 批量制作多类语义分割数据集

                    二、 Unet结构原理

Python图像识别
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
吴恩达深度学习课程漫画
01-08
Coursera 上有一些特定方向和知识的资料，但一直没有比较全面、深入浅出的深度学习 课程——《深度学习专业》的推出补上了这一空缺。 课程的语言是 Python，使用的框架是 Google 开源的 TensorFlow。最吸引人之处...
目标检测图片resize下标注框box的变化方式
you 是 mine
05-16 7578
图片进行了resize后，对于标记框box进行相应的改变，与resize后的图片进行相对应。代码如下： import math import os from PIL import Image, ImageDraw import numpy as np import xml.etree.ElementTree as ET def get_random_data(filename_jpg, box, nw, nh): """ 修改 box :param filename_jpg: 图片
目标检测xml数据的读取与图片和标注数据的同步缩放
Hyellice的博客
10-21 2647
文章目录一、xml数据的读取二、图片和标注数据的同步resize 一、xml数据的读取 1 、使用xml.etree读取 import xml.etree.cElementTree as et tree = et.parse("./datasets/01/双/微信图片_20190820094420.xml") root = tree.getroot() fileName = root.fin...
软件开发培训之深度学习基本概念和原理
最新发布
02-13
深度学习框架：Caffe/Caffe2、TensorFlow、MXNet、PyTorch等。 基本原理： 1、神经网络由其权重来参数化。 2、损失函数用来衡量网络输出结果的质量。 3、将损失值作为反馈信号来调节权重。 4、前向传播与反向传播。...
深度强化学习基础知识 思维导图
05-15
强化学习基本概念 基本方法（Value-Based、Policy-Based、Actor-Critic） 策略学习（Reinforce with baseline、A2C） 价值学习（Sarsa、Q-Learning（DQN）） 连续动作控制（DPG、DDPG） 包含上述各种基本算法的原理...
深度学习基础知识思维导图
02-16
包含深度学习基本原理、网络搭建、优化方案、CNN、RNN网络的所有基本知识，适合新手小白进行知识梳理。
一文读懂深度学习
02-25
小七希望当你阅读完这篇文章后，会对AI和ML的基本知识有更多的了解和认识。更重要的是明白什么是深度学习，以及这类最热门的技术如何运作。背景知识理解深度学习如何工作的第一步是掌握下列重要术语之间的区别。人工...
ModelCheckpoint详解
热门推荐
you 是 mine
10-14 2万+
keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1) 作用 该回调函数将在每个epoch后保存模型到filepath 参数 **filename：**字符串，保存模型的
Flatten()详解
you 是 mine
10-14 1万+
Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。Flatten不影响batch的大小。 就是把高纬度的数组按照　ｘ轴或者ｙ轴　进行拉伸，变成一维的数组 为了更好的理解Flatten层作用，我把这个神经网络进行可视化如下图：（来自网络） 用Ｐｙｔｈｏｎ中的例子更好理解： from numpy import * >>> a=array([[1,2],[3,4],[5,6]]) >>> a array([[1, 2], [3,
torch.load() 、torch.load_state_dict() 详解
you 是 mine
03-08 1万+
torch.load() 、torch.load_state_dict() 详解
池化层的作用
you 是 mine
05-20 1万+
max pooling是CNN当中的最大值池化操作，其实用法和卷积很类似 tf.nn.max_pool(value, ksize, strides, padding, name=None) 参数是四个，和卷积很类似： 第一个参数value：需要池化的输入，一般池化层接在卷积层后面，所以输入通常是feature map，依然是[batch, height, width, channels]这样的shape 第二个参数ksize：池化窗口的大小，取一个四维向量，一般是[1, height, width, 1]，
Unet结构原理
you 是 mine
05-29 1万+
Unet结构可以说是相对比较简单的图像分割算法了，通过四个下采样提取目标特征，再通过四个上采样，最后逐个对其像素点进行分类，那么这实际上是一个基于编码器（encode）-解码器（decode）思想。 下图就是Unet网络结构： 我的个人理解是编码器实际上相当于backbone对输入图片进行特征提取，提取出合适的feature-map，再通过解码器恢复至原尺寸，进行逐个像素点分类。 下采样： 简单的卷积层特征提取。 上采样： 输入图像经过前面下采样进行特征提取之后，需要把图像恢复至原来的尺寸以便进一步对像素
三维卷积详解
you 是 mine
06-30 1万+
假如说你不仅想检测灰度图像的特征，也想检测 RGB 彩色图像的特征。彩色图像如果是 6×6×3，这里的 3指的是三个颜色通道，你可以把它想象成三个 6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的 3×3 的过滤器做卷积，而是跟一个三维的过滤器，它的维度是 3×3×3，这样这个过滤器也有三层，对应红绿、蓝三个通道。 给这些起个名字（原图像），这里的第一个 6 代表图像高度，第二个 6 代表宽度，这个3 代表通道的数目。同样你的过滤器也有高，宽和通道数，并且图像的通道数必须和过滤器的通道
1*1卷积详解
you 是 mine
06-30 6046
卷积核作用： 可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就对应输出的通道数，这里需要说明的是对于输入的每个通道，输出每个通道上的卷积核是不一样的。比如输入是28x28x192(WxDxK,K代表通道数)，然后在3x3的卷积核，卷积通道数为128，那么卷积的参数有3x3x192x128,其中前两个对应的每个卷积里面的参数，后两个对应的卷积总
对比两张图片的相似度
you 是 mine
08-31 5339
1.cosin相似度（余弦相似度） from PIL import Image from numpy import average, linalg, dot def get_thumbnail(image, size=(30, 30), greyscale=False): image = image.resize(size, Image.ANTIALIAS) if greyscale: image = image.convert('L') return image
python opencv 绘制矩形、圆、线、多边形
you 是 mine
01-06 5236
opencv 绘制矩形、圆、线
深度学习常用脚本总结
you 是 mine
10-10 5046
📌 视频场景切换检测📌 基于深度学习的车牌检测、识别（含UI界面，Python代码）📌模型加载 torch.load() 、torch.load_state_dict()📌 torch.cuda.synchronize() — 正确的测试模型推理时间📌 torch中的model.eval()、model.train()详解📌 np.pad 详解📌 np.hstack、np.vstack — 横向、纵向拼接图片-B站📌 img[:, :, ::-1] 通俗理解。
视频场景切换检测（镜头边界检测、镜头分割）
you 是 mine
01-16 4326
镜头切换检测
torch.view() 详解
you 是 mine
01-05 3986
功能同reshape相似，但是 view() 只能操作 tensor，reshape() 可以操作 tensor 和 ndarray。view() 只能用在 contiguous（连续） 的变量上。如果在 view 之前用了 transpose, permute 等切片处理，需要用 contiguous() 来返回一个 contiguous copy。pytorch 中的 torch.reshape() 大致相当于 tensor.contiguous().view()
pytorch深度学习基本知识
08-30
- 自然语言处理：RNN可以用于文本生成、命名实体识别、情感分析等任务，通过学习上下文信息进行语义理解和处理。 - 语音识别：RNN可以处理带有时间序列信息的语音信号，用于语音识别和语音合成。 - 时间序列预测：...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

Python图像识别

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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