“365天深度学习训练营”报名进行中～

大家好，我是 K同学啊！《深度学习100例》系列在昨天已经完成了第20博客！这是一个漫长的过程，中途遇见也结识了不少优秀的伙伴，这里简单介绍一下这90天做的事情1. 深度学习100例-卷积神经网络（CNN）实现MNIST手写数字识别 | 第1天这篇文章作为《深度学习100例》的首篇文章，我使用了最简单也最经典的案例 – MNIST手写数字识别。极简化了神经网络程序，当然，如何你是一个从来没了接触过深度学习的小白，那我建议你可以先看这个专栏：《小白入门深度学习》使用的是MNIST数据集，MNIST

文章目录一、前期工作1. 设置GPU2. 导入数据3. 查看数据二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集三、AlexNet介绍1.AlexNet介绍四、构建AlexNet (8层）网络模型五、编译六、训练模型七、模型评估八、保存and加载模型九、预测一、前期工作本文将采用AlexNet实现鸟类图片的识别分类我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1来自专栏：【深度学习1

文章目录前期工作设置GPU导入数据标准化可视化构建CNN网络编译训练模型预测模型评估前期工作设置GPU如果使用的是CPU可以忽略这步import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus: gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量

文章目录一、前期工作1. 设置GPU2. 导入数据3. 标准化4.调整图片格式5. 可视化二、构建CNN网络三、编译四、训练模型五、预测六、模型评估一、前期工作我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2来自专栏：【深度学习100例】1. 设置GPU如果使用的是CPU可以忽略这步import tensorflow as tfgpus = tf.config.list_physical_devices("GPU"

文章目录一、前期工作1. 设置GPU2. 导入数据3. 查看数据二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集三、构建CNN网络四、编译五、训练模型六、模型评估一、前期工作本文将采用CNN实现多云、下雨、晴、日出四种天气状态的识别。较上篇文章，本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2来自专栏：【深

文章目录一、前期工作1. 设置GPU2. 下载数据3. 检查数据二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集三、构建CNN网络四、编译五、训练模型六、模型评估一、前期工作本文将采用CNN实现花朵识别我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2来自专栏：【深度学习100例】1. 设置GPU如果使用的是CPU可以忽略这步import tensorflow as tfgpus =

文章目录1.module ‘tensorflow._api.v2.data‘ has no attribute ‘AUTOTUNE1.module ‘tensorflow._api.v2.data‘ has no attribute ‘AUTOTUNE解决办法：将AUTOTUNE = tf.data.AUTOTUNE更换为AUTOTUNE = tf.data.experimental.AUTOTUNE

文章目录一、前期工作1. 设置GPU（如果使用的是CPU可以忽略这步）2. 导入数据3. 标准化图片4. 可视化图片5. 调整图片格式二、构建CNN网络模型三、编译模型四、训练模型五、预测六、知识点详解1. MNIST手写数字数据集介绍2. 神经网络程序说明3. 网络结构说明我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2一、前期工作1. 设置GPU（如果使用的是CPU可以忽略这步）import tensorflow

???? 大家好，我是 ???? K同学啊，《深度学习100例》系列将持续更新 欢迎 点赞????、收藏⭐、关注????文章目录一、前期工作1. 设置GPU2. 定义训练参数二、什么是生成对抗网络1. 简单介绍2. 应用领域三、网络结构四、构建生成器五、构建鉴别器六、训练模型1. 保存样例图片2. 训练模型七、生成动图本文将采用 GAN 模型实现手写数字的生成，重点是了解 GAN 模型的结构及其搭建方法。一、前期工作???? 我的环境：语言环境：Python3.6.5编译器：jupyter

文章目录一、前期工作1.设置GPU2.导入数据3.数据可视化4.标签数字化二、构建一个tf.data.Dataset1.预处理函数2.加载数据3.配置数据三、搭建网络模型四、编译五、训练六、模型评估七、保存和加载模型八、预测一、前期工作本文将手把手教你用TensorFlow2实现验证码的识别，整个项目的完整代码都在文章了哈，大家按顺序copy即可运行。留言里果真有点东西！我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.

文章目录一、前期工作1. 设置GPU2. 导入数据3. 查看数据二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集三、调用官方网络模型四、设置动态学习率五、编译六、训练模型七、模型评估1. Accuracy与Loss图2. 混淆矩阵八、保存and加载模型九、预测一、前期工作孩子上课老是注意力不集中怎么办，注意力检测程序安排上！司机疲劳驾驶怎么办，注意力检测程序安排上！本文将通过对人眼状态的识别达到检测注意力的目的 ⏳ 新增混淆矩阵模块。???? 我的环境：语言环境：Py

一、前期工作本文将采用ResNet-50实现鸟类图片的识别分类我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2往期精彩内容：深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天深度学习100例-卷积神经网络（CNN）花朵识别 | 第4天深度学习100例-卷积神

K同学啊，深度学习、tensorflow2、tensorflow2，VGG-19，深度学习100例，第7天

文章目录一、前言二、什么是生成对抗网络？1. 设置GPU2. 加载和准备数据集三、创建模型1. 生成器2. 判别器四、定义损失函数和优化器1. 判别器损失2. 生成器损失五、保存检查点六、定义训练循环七、训练模型1. 恢复模型参数2. 训练模型3. 创建 GIF八、同系列作品九、数据+模型一、前言???? 我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1???? 深度学习新人必看：《小白入门深度学习》小白入门深

???? 大家好，我是 ???? K同学啊，《深度学习100例》系列将持续更新 欢迎 点赞????、收藏⭐、关注????本文将采用 Inception V3 模型实现手语识别，重点是了解 Inception V3 模型的结构及其搭建方法。一、前期工作我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1推荐阅读：✨ 手把手教你用 CNN 识别验证码 - 深度学习100例 | 第12天✨ 卷积神经网络（AlexNe

???? 大家好，我是 ???? K同学啊，本文选自：《深度学习100例》， 该系列将持续更新 欢迎 点赞????、收藏⭐、关注????本文将采用 Inception-ResNet-v2 模型 完成58个类别的接近6K张交通标志图像的识别，重点是了解 Inception-ResNet-v2 模型的结构及其搭建方法。文章目录一、前期工作1. 设置GPU2. 导入数据3. 查看数据二、构建一个tf.data.Dataset1.加载数据2. 配置数据集三、Inception-ResNet-v2介绍四、构建I

猫狗识别阅读本文你将学会如何使用 PyTorch 进行图像识别????本文 GitHub https://github.com/kzbkzb/Python-AI 已收录作者：K同学啊来自专栏：《深度学习100例》-PyTorch版本数据链接：https://pan.baidu.com/s/1YREL1omT9YJrp9B1PBPTfQ （提取码：ionw）我的环境：语言环境：Python3.8编译器：Jupyter lab深度学习环境：torch==1.10.0+cu113to

数据中一共包含1462张数据图片，分为浮标、游轮、渡船、货船、贡多拉、充气船、皮划艇、纸船、帆船等9类。我们将通过ResNet50算法实现这9类目标的识别，最后的准确率为87.0%。

文章目录一、前言二、RNN是什么三、准备工作1.设置GPU2.加载数据四、数据预处理1.归一化2.设置测试集训练集五、构建模型六、激活模型七、训练模型八、结果可视化1.绘制loss图2.预测3.评估一、前言今天是第9天，我们将开始RNN系列，完成股票开盘价格的预测，最后的R2可达到0.72，CNN系列后续我也会穿插更新我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1往期精彩内容：深度学习100例-卷积神经网络

🔗 运行环境：python3🚩 作者：K同学啊🥇 选自专栏：《深度学习100例》🔥 精选专栏：《新手入门深度学习》📚 推荐专栏：《Matplotlib教程》🧿 优秀专栏：《Python入门100题》🚀 我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1显卡（GPU）：NVIDIA GeForce RTX 3080数据地址：【传送门】我们的代码流程图如下所示：文章目录一、准备工作1. 导入所需的.

大家好，我是『K同学啊』！今天我将带大家探索一下深度学习在医学领域的应用，乳腺癌是女性最常见的癌症形式，浸润性导管癌 (IDC) 是最常见的乳腺癌形式。准确识别和分类乳腺癌亚型是一项重要的临床任务，利用深度学习方法识别可以有效节省时间并减少错误。 我们的数据集是由多张以 40 倍扫描的乳腺癌 (BCa) 标本的完整载玻片图像组成。???? 我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1数据和代码：????【传送门】

大家好，我是「K同学啊 」！好像有一段时间没有更新了，这段事情真的太多了，自己也有一点点小偷懒，但是我还在坚持哈，等开学了更新频率可能就会稳定下来。唠嗑结束，进入正题，前段时间帮别人做了一个3D分类的活，想着怎么也得整理出一篇博客给大家吧，于是乎就有了这篇文章。这篇文章讲解的项目相对早期的项目有如下改进：1.设置的动态学习率2.加入的早停策略3.模型的保存时间更加“智能”4.在数据加载这块也有明显的优化???? 我的环境：语言环境：Python3.6.5编译器：jupyter not

脑肿瘤识别，毕设找上门来了！

文章目录一、前期工作1. 设置GPU2. 导入数据3. 查看数据二、数据预处理1. 加载数据2. 可视化数据3. 再次检查数据4. 配置数据集5. 归一化三、构建VGG-16网络1. 官方模型（已打包好）2. 自建模型3. 网络结构图四、编译五、训练模型六、模型评估一、前期工作本文将实现海贼王中人物角色的识别。我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2来自专栏：【深度学习100例】1. 设置GPU如果使用的是C

最近更新有点慢，后台收到不少小伙伴的催更，先说声抱歉哈。最近在参加一个目标检测的比赛，时间比较紧张。这段时间我也打算调整一下思路，试着将目标检测中涉及的内容拆开来，将这些拆分的内容一点点融入到在后续的博客中。一方面兼具我现阶段的工作，一方面也不耽搁文章的更新进度。水到渠成后，就开始写目标检测方面的内容。这篇文章中我放弃了以往的model.fit()训练方法，改用model.train_on_batch方法。两种方法的比较：model.fit()：用起来十分简单，对新手非常友好model.train_

🏡🥂建议你学习本文之前先看看下面这篇入门文章，以便你可以更好的理解本文：🍨强烈建议大家使用编译器打开源码，你接下来的操作将会非常便捷的！深度学习小白缺乏实战经验。

🚀。

大家好，我是 K同学啊！《深度学习100例》正在更新中~在这个漫长的过程，中途遇到了不少问题，但是也有幸遇见不少优秀的伙伴，很荣幸✨小tips：Ctrl+F可快速查找1. 深度学习100例-卷积神经网络（CNN）实现MNIST手写数字识别 | 第1天这篇文章作为《深度学习100例》的首篇文章，我使用了最简单也最经典的案例 – MNIST手写数字识别。极简化了神经网络程序，当然，如何你是一个从来没了接触过深度学习的小白，那我建议你可以先看这个专栏：《小白入门深度学习》使用的是MNIST数据集，

大家好，我是K同学啊，今天讲《深度学习100例》PyTorch版的第二个例子，前面一些例子主要还是以带大家了解PyTorch为主，建议手动敲一下代码，只有自己动手了，才能真正体会到里面的内容，光看不练是没有用的。今天的重点是在PyTorch调用VGG-16算法模型。先来了解一下PyTorch与TensorFlow的区别PyTorch VS TensorFlow：TensorFlow：简单，模块封装比较好，容易上手，对新手比较友好。在工业界最重要的是模型落地，目前国内的大部分企业支持TensorFlow

🔗 运行环境：python3🚩 作者：K同学啊🥇 选自专栏：《深度学习100例》🔥 精选专栏：《新手入门深度学习》📚 推荐专栏：《Matplotlib教程》🧿 优秀专栏：《Python入门100题》🚀 我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1本文数据：公众号（K同学啊）内回复 DL+42可以获取数据项目代码：已全部放在文中，按顺序copy即可如果你是一名深度学习小白可以先看看我这个专门为.

文章目录一、前言二、LSTM的是什么三、准备工作1.设置GPU2.设置相关参数3.加载数据四、数据预处理1.归一化2.时间戳函数五、构建模型六、激活模型七、训练模型八、结果可视化1.绘制loss图2.预测3.评估一、前言今天是第10天，我们将使用LSTM完成股票开盘价格的预测，最后的R2可达到0.74，相对传统的RNN的0.72提高了两个百分点。我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1来自专栏：【深度学习

大家好，我是K同学啊，今天讲《深度学习100例》PyTorch版的第3个例子，前面一些例子主要还是以带大家了解PyTorch为主，建议手动敲一下代码，只有自己动手了，才能真正体会到里面的内容，光看不练是没有用的。今天的重点是在PyTorch调用VGG-16算法模型。先来了解一下PyTorch与TensorFlow的区别PyTorch VS TensorFlow：当然如果你时间充足，我建议两个模型都是需要了解一下的，这两者都还是很重要的。🍨 本文的重点：对函数训练过程中用到的model.train()、mo.

大家好，我是K同学啊，今天讲《深度学习100例》PyTorch版的第4个例子，前面一些例子主要还是以带大家了解PyTorch为主，建议手动敲一下代码，只有自己动手了，才能真正体会到里面的内容，光看不练是没有用的。今天的重点是在PyTorch调用VGG-16算法模型。先来了解一下PyTorch与TensorFlow的区别PyTorch VS TensorFlow：当然如果你时间充足，我建议两个模型都是需要了解一下的，这两者都还是很重要的。🍨 本文的重点：将讲解如何使用PyTorch构建神经网络模型（将对这一.

文章目录一、前期工作1.设置GPU2.导入数据3.数据可视化4.标签数字化二、构建一个tf.data.Dataset1.预处理函数2.加载数据3.配置数据三、搭建网络模型四、设置动态学习率五、编译六、训练七、模型评估八、保存和加载模型九、预测一、前期工作我的环境：语言环境：Python3.6.5编译器：jupyter notebook深度学习环境：TensorFlow2.4.1推荐阅读：✨ 深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天✨ 这也太强了吧，我

大家好，我是『K同学啊』！之前写了一篇名为 「多图」图解10大CNN架构 的文章后，发现有些模型在我们的《深度学习100例》中并未介绍，后来不是说填坑嘛，之前已经写一篇 深度学习100例-卷积神经网络（LeNet-5）深度学习里的“Hello Word” | 第22天 来填补LeNet-5的坑。今天继续写一篇关于Xception模型的实例，实现了四种动物（狗、猫、鸡、马）的识别分类。希望大家多多支持，点赞、收藏、评论。本文的重点是：Xception模型的搭建深度可分离卷积文章目录一、前期工作1

本专栏旨在通过实战案例帮助深度学习初学者通过实战案例。

BiLSTM（双向长短期记忆网络）是一种深度学习模型，属于循环神经网络（Recurrent Neural Network，RNN）的一种变体。BiLSTM 在处理序列数据时能够同时考虑上下文信息，因此在自然语言处理（Natural Language Processing，NLP）任务中得到广泛应用。

🔗 运行环境：python3🚩 作者：K同学啊🥇 精选专栏：《深度学习100例》🔥 推荐专栏：《零基础入门深度学习》📚 选自专栏：《Matplotlib教程》🧿 优秀专栏：《Python入门100题》大家好，我是K同学啊！今天和大家分享一篇 本科毕设 实战项目，项目中我将使用VGG16、InceptionV3、DenseNet121、MobileNetV2 等四个模型进行对比分析（文中提供了每一个模型的 算法框架图），最后可以自选图片进行预测，最后的识别效果高达 99.2%。结果如下：.

🔗 运行环境：python3🚩 作者：K同学啊🥇 精选专栏：《深度学习100例》🔥 推荐专栏：《新手入门深度学习》📚 选自专栏：《Matplotlib教程》🧿 优秀专栏：《Python入门100题》大家好，我是K同学啊！在上一篇文章中，我使用LSTM对电商评论做了一个较为复杂的情感分析，本文就继续上次的工作做进一部分的分析。本次主要是在评价指标metrics处增加了Precision、Recall、AUC等值，实现了训练模型的同时记录这些指标，是实现方式上与以往也有所不同。与此同时，本次.

长距离的依赖关系可以捕获有用的上下文信息，以使视觉理解问题受益。在这项工作中，作者提出了一个Criss-Cross网络（CCNet），以通过更有效和高效的方式获取这些重要信息。具体而言，对于每个像素，我们的CCNet都可以通过新颖的criss-cross attention(CCA)模块获取交叉路径上其周围像素的上下文信息。通过采取进一步的循环操作，每个像素最终可以捕获所有像素的远程依赖关系。1）GPU内存友好。与non-local相比，recurrent CCA模块所需的GPU内存使用量减少了11倍。