机器学习
文章平均质量分 86
编程小菜鸟123
这个作者很懒,什么都没留下…
展开
-
计算机视觉之风格迁移(二)——ECCV2016论文Real-Time Style Transfer复现
一、论文简介1.点睛之处在上一篇博客中,我讲解了Gatys等人是如何分离图片的内容和风格,由此来进行图片的风格转移。但是,他们的方法有一定的缺陷——训练的时间太长,费时比较久。该论文提出了一种可以实时进行图片迁移的方法,首先依赖于预训练的网络(VGG19)提取的高级特征在感知损失函数的作用下来训练网络,然后将原始图片通过预训练的网络即可得到风格迁移后的图片。简单来说,Gatys等人训练的是噪声参数,每更新一次参数都要经过一遍网络,由此导致耗时比较久。这篇论文训练的是网络,将网络训练完成后,即原创 2020-11-14 20:51:34 · 1106 阅读 · 0 评论 -
计算机视觉之风格迁移(一)——CVPR2016论文Image Style Transfer复现
一、风格迁移简介风格迁移可以说是计算机视觉领域一大热点,简单来说就是有两副图片,一张内容图片,一张风格图片,该技术可以实现以风格图片的风格+内容图片的内容重新生成一张目标图片,例如:原始图片——风格图片——目标图片说到风格迁移,不得不提到该领域的经典论文:【CVPR-2016】Image Style Transfer Using Convolutional Neural Networks有很多小伙伴已经对论文进行过解析,本文就简单介绍一下该论文,主要聚焦在论文的代码复现上。论..原创 2020-11-02 14:17:23 · 5728 阅读 · 5 评论 -
TensorFlow之循环神经网络
一、概念CNN: 借助卷积核(kernel)提取特征后,送入后续网络(如全连接网络 Dense) 进行分类、目标检测等操作。CNN 借助卷积核从空间维度提取信息,卷积核参数 空间共享。RNN: 借助循环核(cell)提取特征后,送入后续网络(如全连接网络 Dense) 进行预测等操作。RNN 借助循环核从时间维度提取信息,循环核参数时间共享。循环核具有记忆力,通过不同时刻的参数共享,实现了对时间序列的信息提取。每个循环核有多个记忆体,对应图中的多个小圆柱,记忆体内存储着每个时刻的状态信息原创 2020-09-21 17:13:35 · 671 阅读 · 0 评论 -
TensorFlow之卷积神经网络
一、概念卷积可以认为是一种有效提取图像特征的方法。一般会用一个正方形的 卷积核,按指定步长,在输入特征图上滑动,遍历输入特征图中的每个像素点。每一个步长, 卷积核会与输入特征图出现重合区域,重合区域对应元素相乘、求和再加上偏置项得到输出 特征的一个像素点。卷积核通道数与输入特征的通道数一致。卷积核的个数决定输出特征图的深度。感受野:卷积神经网络各输出层每个像素点在原始图像上 的映射区域大小全零填充(padding):为了保持输出图像尺寸与输入图像一致,经常会在输入图像 周围进行全原创 2020-09-21 11:34:34 · 1403 阅读 · 2 评论 -
TensorFlow之构建模型典型流程
import tensorflow as tffrom sklearn import datasetsimport numpy as npfrom matplotlib import pyplot as pltimport os############################################ 获取数据 ############################################# iris数据集————鸢尾花卉数据集,150个样本,4个属性(花.原创 2020-09-20 17:58:53 · 281 阅读 · 0 评论 -
TensorFlow之常用函数
import tensorflow as tfimport numpy as np#创建w=tf.constant([1,2,3,4,5], dtype=None, shape=None, name='Const')tf.convert_to_tensor(np.array([1, 2, 3]), dtype=None, dtype_hint=None, name=None)tf.fill([2,3], 9, name=None)tf.zeros([2,3],dtype=tf.dtypes..原创 2020-09-20 17:33:18 · 110 阅读 · 0 评论 -
机器学习笔记——模型评估和选择
高估自己了,心情有缺,思想混乱,晚上失眠,难以集中注意力,见谅见谅,尽力而学。一、误差与拟合误差:学习器的预测输出与样本的真实输出之间的误差。训练误差(经验误差):学习器在训练集上的误差。泛化误差:学习器在新样本上的误差。显然,我们需要一个泛化误差小的学习器。但是我们不知道新样本是什么样子,所以只能去追求训练误差最小化。为了能够在新样本上表现良好,我们必须尽可能在训练样本上寻找适用于所有潜在样本的“普遍规律”,在寻找的过程中可能会出现两种不好的情况——“欠拟合”和“过拟合”。.原创 2020-08-21 23:53:57 · 246 阅读 · 0 评论 -
机器学习笔记——基本概念
一、什么是机器学习首先我们以人来举例:你在买苹果的时候,看到一个苹果,它黄里透红、果皮粗糙、硬度稍软,我们就可以判断它比较甜,这是因为我们已经有了类似的经验,通过对经验的应用就可以做出相应的判断。这种对经验的利用是我们自发形成的,但是机器是否能做到呢。机器学习就是这样一门学科,它致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。在计算机系统中,“经验”通常就是我们所说的数据。因此,机器学习的主要内容就是关于在计算机上从数据中产生“模型”的算法——“学习算法”。有了算法,就能过基于经验数原创 2020-08-09 23:58:21 · 139 阅读 · 0 评论 -
机器学习笔记——开篇之作
从今天开始,本人开始涉及人工智能领域,之前使用过JAVA、Python做过网站开发,为我打下了一些基础。首先说明两点学习该领域的原因:本人本科毕业,研究生攻读网络安全专业,但是AI作为目前最热门的领域,并且学科交叉越来越广泛,所以学习AI方面的知识在今后可能会有很多用处。而且人工智能的安全问题也是非常热门的话题,我国对于AI的研究远没有到达尽头,比如目前的人工智能只能说是“伪”人工智能,并没有真正像人脑一样,前段时间浅接触了类脑计算,它打破了冯诺依曼体制,真正的模拟人脑,所以说还有很多可以发展的空间。.原创 2020-08-08 23:51:45 · 185 阅读 · 1 评论