深度学习
文章平均质量分 83
程序媛一枚~
热爱是最好的学习动力。
Either outstanding or out. (要么出众,要么出局)
展开
-
深入流行推荐引擎3:Spotify音乐推荐系统
深入流行推荐引擎3:Spotify音乐推荐系统原创 2023-11-19 20:45:00 · 537 阅读 · 0 评论 -
面向物流的计算机视觉和深度学习3
公司正在寻找优化供应链的方法,以帮助做出决策,以提高运营效率和客户满意度,并减少对环境的影响。预测和规划: 在需求预测的帮助下,公司可以确保手头有适量的材料并计划生产活动。结果可以与有关成本、产能等的其他相关数据相结合。优化: 人工智能可以分析历史行程、现有路线以及地理、环境和交通数据,以使用最短路径图算法,并为物流卡车确定最有效的方式。此外基于过去有关销售、数量、市场状况、货币汇率和通货膨胀的历史数据,预测分析可以帮助公司最大限度地降低商品错误定价的风险。自动化仓库。原创 2023-11-12 22:15:00 · 307 阅读 · 0 评论 -
面向教育的计算机视觉和深度学习5
这篇博客将介绍在教育领域使用深度学习的好处、应用、挑战和权衡(tradeoffs)。原创 2023-11-04 18:45:00 · 333 阅读 · 0 评论 -
自然语言处理 (NLP) 简介
这篇博客将简要介绍自然语言处理的历史。对NLP历史的简要介绍表明研究很久以前就开始了。研究人员利用了在语言学中对人类语言的理解所奠定的基础,并对如何推动NLP向前发展有了正确的想法。然而技术的局限性成为最大的障碍,并且一度该领域的研究几乎停滞不前。但技术只有一条路,那就是前进。技术的发展为NLP研究人员提供了足够的计算能力,并拓宽了许多视野。现在正处于语言模型帮助创建虚拟助手的阶段,这些助手可以交谈,帮助完成任务等。原创 2023-10-28 22:45:00 · 255 阅读 · 0 评论 -
使用Python,mediapipe构建手部姿势探测器
这篇博客将介绍手部标志是什么,以及如何使用Python,mediapipe构建手部姿势探测器,Mediapipe是一个跨平台的库,由谷歌开发,为计算机视觉任务提供惊人的现成的ML解决方案。原创 2023-10-29 19:15:00 · 208 阅读 · 0 评论 -
面向交通运输的计算机视觉和深度学习2
人工智能可以通过以下方式为每个人提供更安全、更清洁、更智能、更高效的交通方式。道路运输:道路车辆可以使用各种传感器,如GPS、摄像头和雷达,以及执行器(actuators)(将输入信号转换为行动的设备)、控制单元和软件,以执行自动驾驶等智能动作。航空:将对客户行为的历史和实时见解转化为实时策略(例如,调整向客户展示的网站内容)。铁路:人工智能可以帮助改善铁路运营商和基础设施管理者的制造、运营和维护。它将改善管理,降低成本,并增强与直接竞争对手或其他运输方式的竞争力。原创 2023-10-28 22:45:00 · 374 阅读 · 0 评论 -
面向石油和天然气的计算机视觉和深度学习1
这篇博客将介绍在石油和天然气领域使用深度学习的好处、应用、挑战和权衡。原创 2023-10-21 19:45:00 · 470 阅读 · 0 评论 -
深入流行推荐引擎0:推荐系统基础
这篇博客介绍了推荐系统的基本原理。推荐系统通过基于用户的兴趣和偏好对用户的项目(例如电影)进行排名来提供个性化。给定一个项目,推荐引擎衡量该项目对用户的有用性或效用。推荐系统的核心挑战是开发效用函数,因为它并不是为用户和项目的所有组合定义的。**根据效用函数的性质,推荐系统可以分为三种类型:- 基于内容的- 协作的- 混合的 基于内容的推荐系统试图推荐与用户已经喜欢或评价的项目相似的项目。另一方面,协作系统建议与给定用户具有相似兴趣的其他用户评价或喜欢的项目。原创 2023-07-08 20:45:00 · 482 阅读 · 0 评论 -
机器学习对商业的影响
机器学习是一种强大的工具,可以帮助企业在当今数据驱动的经济中获得竞争优势。原创 2023-06-28 23:00:00 · 518 阅读 · 0 评论 -
使用PyTorch执行特征提取和微调的迁移学习来进行图像分类
这篇博客将介绍如何使用PyTorch深度学习库执行图像分类的转移学习。① 通过特征提取执行迁移学习② 通过微调执行迁移学习第①种方法通常更容易实现,在某些情况下效果很好。然而,它往往不如第二种方法准确。即模型的准确性和泛化能力都会受到影响。大多数形式的迁移学习都采用②微调。通常建议使用特征提取方法来获得基线精度。如果准确度足以满足那就太棒了!然而,如果精度不够,那么应该进行微调,看看是否可以提高精度。无论式通过特征提取还是微调的迁移学习,都会为你节省大量的时间和精力,而不是从头开始训练模型。原创 2023-06-17 20:15:00 · 1758 阅读 · 0 评论 -
机器学习、计算机视觉和深度学习
机器学习(ML)是一个致力于理解和构建“学习”方法的研究领域,即利用数据来提高某些任务性能的方法。它被视为人工智能的一部分。学习骑自行车是大多数人都经历过的过程。起初依靠父母或朋友的支持,当我们试图踩踏板并保持平衡时,他们会稳住自行车。渐渐地,通过练习,我们变得更擅长骑行,直到我们能够自信地独自骑行。我们成功地学会了一项新技能!机器学习就像教电脑“骑自行车”。研究人员和开发人员的目标是让计算机像我们一样从经验中学习。他们为计算机提供了许多例子和数据,类似于观察许多自行车骑行。原创 2023-06-17 20:00:00 · 1644 阅读 · 0 评论 -
使用Python和AI将自己卡通化
人工智能 (AI) 最近已经能够做很多事情,这个领域正在快速发展。它能够检测图像和视频中的对象、检测动作、总结文章、撰写文章以及最近生成图像和视频。我们将使用 GAN 的魔力,使用名为 VToonify 的模型(它也可以将视频卡通化)。注意:即使你不了解 GAN 或者是 Python 的初学者,你仍然可以很容易地玩代码。它可以将您的图像转换为迪士尼公主或王子吗?这里有一个人工智能模型来卡通化你的图像。但它能实现你在迪士尼电影中的梦想吗?原创 2023-06-11 21:45:00 · 301 阅读 · 0 评论 -
Adrian一生中的一天:作为计算机视觉研究员、开发人员和企业家
“作为一名计算机视觉研究人员和开发人员是什么感觉?你每天都在做什么?”“你已经写了一本计算机视觉书和一门课程。现在你开始写一本关于深度学习的新书?你是如何完成这一切的?你的秘密是什么?”萨安维的建议是我个人最喜欢的建议之一:“阿德里安,你应该写下一本关于生产力的书。”我如何度过我的一天。平衡我作为计算机视觉研究人员/开发人员的角色与PyImageSearch上的作者的角色是什么感觉。我花了多年时间完善这些习惯和做法来帮助我完成任务。原创 2023-06-04 19:30:00 · 191 阅读 · 0 评论 -
GAN培训挑战:用于彩色图像的DCGAN
这篇博客将介绍如何训练 DCGAN 以生成彩色时尚图像。将通过培训过程学习GAN常见的挑战、应对这些挑战的技术以及 GAN 评估指标。 在下一篇文章中,还将学习如何使用Wasserstein GAN(WGAN)和Wasserstein GAN with Gradient Penalty(WGAN-GP)进一步提高训练稳定性。原创 2023-06-03 21:45:00 · 720 阅读 · 2 评论 -
DCGAN-MNIST——使用TensorFlow 2 / Keras实现深度卷积DCGAN来生成时尚MNIST的灰度图像
这篇博客将介绍如何使用TensorFlow 2 / Keras中实现深度卷积GAN(DCGAN)来生成类似时尚MNIST的灰度图像。将介绍DCGAN架构指南,如何训练稳定的DCGAN。在TensorFlow 2/Keras中使用灰度时尚MNIST图像完成DCGAN代码实现。使用了Keras Model子类化来定制train_step,然后调用Keras Model.fit()进行训练。原创 2023-05-28 19:30:00 · 960 阅读 · 0 评论 -
生成对抗性网络简介
1. 原理1. GANs如何工作2. GAN架构3. 培训GAN4. 艺术家与评论家5. 评估指标6. GAN变体7. GAN应用8. 图像合成(Image synthesis)9. 图像到图像的转换(Image-to-image translation)10. 文本到图像(Text-to-Image)11. 超越图像12. 其他GAN应用参考这篇博客将介绍生成对抗性网络(GAN)、各种GAN变体以及解决现实世界问题的有趣的应用程序。原创 2023-05-27 20:45:00 · 3433 阅读 · 1 评论 -
Python使用AI photo2cartoon制作属于你的漫画头像
Python使用AI photo2cartoon制作属于你的漫画头像原创 2023-04-30 18:30:00 · 3366 阅读 · 2 评论 -
使用 Python 创建端到端聊天机器人
端到端聊天机器人是指可以在不需要人工帮助的情况下从头到尾处理完整对话的聊天机器人。要创建端到端聊天机器人,需要编写一个计算机程序,该程序可以理解用户请求,生成适当的响应,并在必要时采取行动。这包括收集数据,选择编程语言和NLP工具,训练聊天机器人,以及在将其提供给用户之前对其进行测试和完善。部署后,用户可以通过向聊天机器人发送多个请求来与聊天机器人进行交互,聊天机器人可以自行处理整个对话。原创 2023-04-29 15:30:00 · 1375 阅读 · 0 评论 -
使用Python和机器学习进行文本情感分类
这篇博客将介绍如何使用Python进行机器学习的文本情感分类(Text Emotions Classification)。可以看到 对文本“She didn’t come today because she lost her dog yestertay! 标记为 sadness 是正确的。原创 2023-04-28 23:15:00 · 2025 阅读 · 0 评论 -
使用Python,Opencv检测图像,视频中的猫
这篇博客将介绍如何使用Python,OpenCV库附带的默认Haar级联检测器来检测图像中的猫。同样的技术也可以应用于视频流。这些哈尔级联由约瑟夫·豪斯(Joseph Howse)训练并贡献给OpenCV项目。虽然哈尔级联非常有用,但通常使用HOG+线性SVM,因为它更容易调整检测器参数,更重要的是可以享受更低的假阳性检测率。原创 2023-02-12 22:45:00 · 3062 阅读 · 0 评论 -
2. PyTorch简介:使用PyTorch训练第一个神经网络
这篇博客将介绍如何使用PyTorch深度学习库训练第一个神经网络。具体来说是如何在scikit learn的make_blobs函数生成的示例数据集上训练PyTorch神经网络。1. 如何用PyTorch定义基本的神经网络结构2. 如何定义损失函数和优化器3. 如何正确地将梯度归零、执行反向传播(perform backpropagation)和更新模型参数-大多数新加入PyTorch的深度学习实践者在这一步中都会犯错误原创 2023-01-13 14:04:02 · 1036 阅读 · 2 评论 -
语义 VS 实例 VS 全景分割(Semantic vs. Instance vs. Panoptic Segmentation)
这篇博客将讨论语义、实例和全景图像分割技术(语义 VS 实例 VS 全景分割(Semantic vs. Instance vs. Panoptic Segmentation)。所有这三种技术在学术界和现实世界中都提供了有效的应用。在过去几年中,全景分割在研究人员中看到了更多的增长,以推进计算机视觉领域。相比之下,语义分割和实例分割有许多现实世界的应用,因为它们的算法更加成熟。无论以何种形式,图像分割对于跨行业的超自动化都是必不可少的。原创 2023-01-07 23:30:00 · 945 阅读 · 0 评论 -
TensorFlow TFRecords简介
这篇博客将介绍TensorFlow的TFRecords,提供有关TFRecords的所有信息的一应俱全的介绍。从如何构建基本TFRecords到用于训练 SRGAN 和 ESRGAN 模型的高级TFRecords的所有内容。包括什么是TFRecords,如何序列化,反序列化数据,以及如何使用TFRecords预处理和序列化像div2k这样的大型数据集,如何使用TFRecords及TensorFlow训练深度神经网络。原创 2022-12-14 11:36:45 · 582 阅读 · 1 评论 -
深度学习之Python,OpenCV中的卷积
这篇博客将手动实现卷积函数(为了明白卷积是怎么实现计算的),以及opencv自带的卷积函数cv2.filter2D。并进行平滑,拉普拉斯内核,soble_x,y内核感受图像的梯度变化等操作。原创 2022-11-26 20:45:00 · 2587 阅读 · 0 评论 -
Python,Keras深度学习中非连续的字母怎么处理为one-hot编码
这篇博客将介绍Python,Keras深度学习中非连续的字母文本怎么处理为one-hot编码。原创 2021-09-14 21:03:30 · 595 阅读 · 0 评论 -
使用Python,PCA对iris数据集降维2维/3维并进行2D,3D散点图绘制(包括有图例&无图例,有标题Label&无标题Label)
这篇博客将介绍如何使用Python,PCA对iris数据集降维2,3并进行2D,3D散点图绘制(包括有图例&无图例,有标题Label&无标题Label)。**着重介绍怎么一次性添加多类型的图例到图表,通过显式获取scatter。**原创 2022-11-04 22:30:00 · 3972 阅读 · 0 评论 -
使用make_blob,KNeighborsClassifier-K近邻算法进行分类
使用make_blob,KNeighborsClassifier-K近邻算法进行分类原创 2022-11-06 21:30:00 · 203 阅读 · 0 评论 -
读书笔记1|深度学习入门:Machine Learning Yearning
同事推荐的深度学习入门书,花了俩天加班读完收货还蛮多的。嗯就是站在一个高度上,不突然一下子把自己扎进去。先整体了解思想,以思考如何解决问题的方式,先理清思路。这是这本书给我的感受。原创 2022-10-09 20:01:36 · 408 阅读 · 0 评论 -
读书笔记2|深度学习入门——基于python的理论与实现
深度学习入门:基于Python的理论与实现》高清中文版.pdf原创 2022-10-09 19:54:29 · 1867 阅读 · 0 评论 -
使用Python,Keras和TensorFlow训练第一个CNN
这篇博客将介绍如何使用Python和Keras训练第一个卷积神经网络架构——ShallowNet,并在动物和CIFAR-10数据集上对其进行了训练。ShallowNet对动物的分类准确率为71%,比以前使用简单前馈神经网络的最佳分类准确率提高了12%。当应用于CIFAR-10时,ShallowNet达到了60%的精度,比以前使用简单多层神经网络的57%的最佳精度提高了(并且没有显著的过拟合)。原创 2022-09-28 16:55:42 · 877 阅读 · 0 评论 -
使用Tensorflow2.0执行视觉显著性检测(Visual Saliency Detection)
上一篇博客介绍了如何[使用Python,OpenCV执行视觉显著性检测(Visual Saliency Detection)](https://blog.csdn.net/qq_40985985/article/details/124727023)。这篇博客将介绍如何使用Tensorflow2.0执行显著性检测,这是一个应用图像处理和计算机视觉算法来自动定位图像中最“显著”区域的过程。...原创 2022-08-13 20:45:00 · 562 阅读 · 0 评论 -
卷积神经网络(CNN)使用自己的数据集进行天气识别
这篇博客将从构建自己的天气数据集开始,到定义模型,编译模型,训练模型及验证模型。并进行一些升级,以使得模型更好。如ImageDateGenerator进行数据增强,之后分别对cloudy,haze,sunrise,shine,snow,rain,thunder等7种天气情况进行识别。准确率75%不是太高(可能是因为原始数据集的原因,每个分类有4种),可以通过增加原始数据解决。...原创 2022-08-07 23:30:00 · 2805 阅读 · 2 评论 -
记录|深度学习100例-卷积神经网络(CNN)服装图像分类 | 第3天
记录|深度学习100例-卷积神经网络(CNN)服装图像分类 | 第3天原创 2022-08-06 21:45:00 · 387 阅读 · 0 评论 -
记录|深度学习100例-卷积神经网络(CNN)minist数字分类 | 第1天
记录|深度学习100例-卷积神经网络(CNN)minist0-9数字分类原创 2022-08-06 18:30:00 · 547 阅读 · 0 评论 -
记录|深度学习100例-卷积神经网络(CNN)彩色图片分类 | 第2天
记录|深度学习100例-卷积神经网络(CNN)彩色图片分类 | 第2天原创 2022-08-07 20:30:00 · 730 阅读 · 0 评论 -
使用Python,OpenCV应用EAST文本检测器检测自然场景图像中的文本
使用Python,OpenCV检测自然场景图像中的文本1. 效果图2. 原理2.1 为什么自然场景文本检测如此具有挑战性?3. 源码参考这篇博客将介绍如何使用Python,OpenCV应用EAST文本检测器检测自然场景图像和视频流中的文本。OpenCV的EAST文本检测器是一种深度学习模型,基于一种新颖的体系结构和训练模式。它能够(1)在720p图像上以13 FPS的速度近实时运行,(2)获得最先进的文本检测精度。1. 效果图2. 原理2.1 为什么自然场景文本检测如此具有挑战性?图像/传感器原创 2022-07-09 22:00:00 · 1765 阅读 · 0 评论 -
使用Keras训练Lenet网络来进行手写数字识别
这篇博客将介绍如何使用Keras训练Lenet网络来进行手写数字识别。LeNet架构是深度学习中的一项开创性工作,演示了如何训练神经网络以端到端的方式识别图像中的对象(即不必进行特征提取,网络能够从图像本身学习模式)。首先由LeCun等人介绍。在他们1998年的论文中,基于梯度的学习应用于文档识别。正如论文名称所示,作者实现LeNet的动机主要是为了光学字符识别(Optical Character Recognition OCR)。......原创 2022-07-04 23:00:00 · 2063 阅读 · 0 评论 -
使用OpenCV、Keras和TensorFlow进行微笑检测
这篇博客将介绍如何构建端到端的计算机视觉和深度学习应用程序来执行微笑检测。1. 首先在SMILES数据集上训练了LeNet架构。由于SMILES数据集中的类不平衡,训练时设置了用于帮助缓解不平衡的类权重。2. 训练完成后,在测试集上评估了LeNet,发现该网络获得了相当高的91%分类准确率。3. 从网络摄像机/视频文件中读取帧,然后使用OpenCV的Haar级联检测人脸,提取人脸,然后应用预先训练好的网络判断是否在微笑。微笑检测系统可以轻松地在CPU上实时运行。...原创 2022-07-02 20:30:00 · 432 阅读 · 0 评论 -
size mismatch for roi_heads.box_predictor.cls_score.weight: copying a param with shape torch.Size([9
pytorch 报错解决原创 2022-07-02 18:45:00 · 2000 阅读 · 5 评论 -
5. 使用PyTorch预先训练的模型执行目标检测
这篇博客将介绍如何使用PyTorch预训练的网络执行目标检测,这些网络是开创性的、最先进的图像分类网络,包括使用ResNet的更快R-CNN、使用MobileNet的更快R-CNN和RetinaNet。- 具有ResNet50主干的更快R-CNN(更精确,但速度较慢)- 具有MobileNet主干的更快R-CNN(速度更快,但准确度稍低)- 具有ResNet50主干的RetinaNet(速度和准确性之间的良好平衡)............原创 2022-06-28 15:36:42 · 3872 阅读 · 4 评论