机器学习之路
文章平均质量分 60
ddwyz
这个作者很懒,什么都没留下…
展开
-
Tensorflow+Keras+VGG19 猫狗大战分类
训练程序import tensorflow as tfimport os# import pyyamlimport traceback#读取数据def read_image_filenames(data_dir): cat_dir=data_dir+'cat/' dog_dir=data_dir+'dog/' #构建特征数据集,值为对应的图片文件名 cat_filenames=tf.constant([cat_dir + fn for fn in os.list原创 2022-01-11 20:47:28 · 772 阅读 · 0 评论 -
使用Keras构建深度学习模型(以Resnet50为例) 实现对Cifar10数据集的分类
使用Keras构建深度学习模型(以Resnet50为例) 实现对Cifar10数据集的分类keras是目前流行的深度学习框架之一,目前已经整合到Tensorflow2.0版本中,用户通过安装Tensorflow包即可实现对Keras方便的调用。Keras为用户提供了多种深度学习模型调用的接口,用户通过简单的编辑即可实现经典模型的调用和搭建。目前Keras提供的模型接口有如下几个:from tensorflow.python.keras.applications.densenet import Den原创 2022-01-11 20:25:30 · 3821 阅读 · 2 评论 -
使用scikitplot库绘制多个分类器的ROC曲线
1、安装Scikit-plot:pip install scikit-plot2、绘制单分类器的ROC曲线from sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBX, y = load_digits(return_X_y=True)X_train, X_test, y_train,原创 2021-09-11 16:26:35 · 957 阅读 · 1 评论 -
深度学习——卷积运算计算公式:输入输出关系、输出维度、参数量
在进行深度学习训练时,优化器会对模型的参数进行优化,以寻找到一组最优解。一个简单的卷积神经网络,可以分为卷积池化层和全连接层,全连接层中的参数可以用神经元连接的权重W来表示,而卷积层的参数往往是用卷积核参数来表示。2D卷积对于输入层为 Win×Hin×DinW_{i n} \times H_{i n} \times D_{i n}Win×Hin×Din的特征图,输出为Wout ×Hout ×Dout W_{\text {out }} \times H_{\text {原创 2021-07-22 21:16:36 · 25311 阅读 · 2 评论 -
端到端的含义,统计学习、机器学习和深度学习的区别与联系
什么是端到端(end-to-end)端到端通俗来说就是不需要进行特征提取,输入的是原始的数据,输出的就是最后的结果。经典机器学习方式是以人类的先验知识将raw数据预处理成feature,然后对feature进行分类。分类结果十分取决于feature的好坏。所以过去的机器学习专家将大部分时间花费在设计feature上。那时的机器学习有个更合适的名字叫特征工程(feature engineering)随着深度学习神经网络的发展,让网络自己学习如何抓取feature效果更佳。由于多层神经网络被证明能够耦合任原创 2021-07-08 14:47:34 · 1179 阅读 · 0 评论 -
模板匹配方法介绍
模板匹配方法介绍模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术。查看原文转载 2021-06-21 16:00:08 · 1012 阅读 · 0 评论 -
C++ opencv 4.5 imread() 读取图片,显示为空的解决办法
C++ opencv 4.5 imread() 读取图片,显示为空的解决办法一、路径问题先查看下路径问题,如果使用的是相对路径,先查看下当前路径,判断输入的路径是否有错:#include <direct.h> char buf[_MAX_PATH]; std::string a; a=_getcwd(buf, _MAX_PATH); std::cout << a << std::endl;如果使用的是绝对路径,在wind原创 2021-06-11 16:14:41 · 4506 阅读 · 4 评论 -
图像处理——Canny边缘检测及sobel介绍
Sobel算子介绍在介绍sobel之前简单说明一下差分的概念。差分:与微分对应。差分对应于离散数据,微分对应于连续数据。差分的阶数与微分类似,一次差分是一阶,差分后再差分就是二阶。差分可以分为前向差分、后向差分和中心差分。前向差分:xk=xo+kh,(k=0,1,...,n)Δf(xk)=f(xk+1)−f(xk)x_k=x_o+kh,(k=0,1,...,n)\\\Delta f\left(x_{k}\right)=f\left(x_{k+1}\right)-f\left(x_{k}\r原创 2021-06-03 20:37:48 · 387 阅读 · 1 评论 -
机器学习——自相似矩阵(Self-Similarity Matrix,SSM)
研究音乐结构及其相互关系的一般思路是将音乐信号转换为合适的特征序列,然后将特征序列中的每个元素与序列中的所有其他元素进行比较。这就产生了一种自相似矩阵(SSM),它不仅对音乐结构分析具有重要意义,而且对多种时间序列的分析也具有重要意义。目录基本定义块和路径结构基于色谱图特征的SSMSSM Based on MFCC FeaturesSSM Based on Tempogram Features路径和块的形式化定义音乐结构分析的总体程序进一步说明基本定义设F为特征空间,s:F×F→Rs:F×F→Rs:F翻译 2021-05-31 16:21:30 · 2691 阅读 · 1 评论