TensorFlow2\Keras
文章平均质量分 91
https://tensorflow.google.cn
涂作权的博客
To do what I want to do!
展开
-
51.RNN训练难题--梯度弥散与梯度爆炸、详解机器学习中的梯度消失、爆炸原因及其解决方法;RNN网络的梯度推导公式(学习笔记,学习整理)
1.51.RNN训练难题–梯度弥散与梯度爆炸1.51.1.梯度弥散与梯度爆炸1.51.2.详解机器学习中的梯度消失、爆炸原因及其解决方法1.51.2.1.前言1.51.2.2.第一部分:为什么要使用梯度更新规则1.51.2.3.第二部分:梯度消失、爆炸1.51.2.3.1.深层网络角度1.51.2.3.2.激活函数角度1.51.2.4.第三部分:梯度消失、爆炸的解决方案1.51.2.4.1.方案1-预训练加微调1.51.2.4.2.方案2-梯度剪切、正则1.51.2.4.3.方案3-r原创 2021-03-01 12:49:02 · 2456 阅读 · 0 评论 -
机器学习训练中常见的问题和挑战:训练数据的数量不足、训练数据不具代表性、低质量数据、无关特征、过拟合训练数据、欠拟合训练数据
1.50.机器学习训练中常见的问题和挑战转载博文:https://blog.csdn.net/Datawhale/article/details/109006583Datawhale干货作者:奥雷利安·杰龙由于我们的主要任务是选择一种学习算法,并对某些数据进行训练,所以最可能出现的两个问题不外乎是“坏算法”和“坏数据”,本文主要从坏数据出发,带大家了解目前机器学习面临的常见问题和挑战,从而更好地学习机器学习理论。1.50.1.训练数据的数量不足要教一个牙牙学语的小朋友什么是苹果,你只需要指着苹转载 2021-02-21 17:00:02 · 9467 阅读 · 1 评论 -
41_经典卷积网络、LeNet、AlexNet、VGG、GoogleNet、ResNet、NIN、DenseNet、EfficientNet、MobileNetV1/2/3、SENet等
1.38.经典卷积网络1.38.1.LeNet1.38.1.1.介绍1.38.1.2.网络结构1.38.1.3.代码实现1.38.2.AlexNet1.38.2.1.介绍1.38.2.2.网络结构1.38.2.3.代码实现1.38.3.VGG1.38.3.1.介绍1.38.3.2.网络结构 VGG-161.38.3.3.代码实现1.38.4.GoogleNet1.38.4.1.介绍1.38.4.2.网络结构1.38.4.3.代码实现1.38.5.ResNet1.38.5.原创 2021-02-18 14:59:07 · 2764 阅读 · 1 评论 -
卷积神经网络、比较MLPS和CNNS、滤波器、CNN各层的作用、在Pytorch可视化CNN
1.33.卷积神经网络1.33.1.卷积 和 神经网络1.33.1.1.比较MLPS和CNNS1.33.1.2.计算机如何看图像?1.33.1.3.建立自己的滤波器1.33.2.完整的卷积神经网络(CNNS)1.33.2.1.CNN各层的作用1.33.2.2.在Pytorch可视化CNN1.33.卷积神经网络参考文章:https://blog.csdn.net/kstheme/article/details/99689564https://blog.csdn.net/zsd0819qw转载 2021-02-16 00:51:08 · 2395 阅读 · 1 评论 -
39_上下采样、MaxPool2d、AvgPool2d、ReLU案例、二维最大池化层和平均池化层、填充和步幅、多通道
1.34.PyTorch Down/up sample (pytorch上下采样)1.34.1. 首先介绍下采样1.34.1.1. MaxPool2d案例1.34.1.2. AvgPool2d案例1.34.2. F.interpolate案例(上采样)1.34.3.ReLU案例1.34.PyTorch Down/up sample (pytorch上下采样)参考地址:https://cloud.tencent.com/developer/article/1542468pooling(池化)层原创 2021-02-16 16:17:23 · 6224 阅读 · 0 评论 -
理解CNN参数及PyTorch实例,卷积核kernel,层数Channels,步长Stride,填充Padding,池化Pooling,PyTorch中的相关方法,MNIST例子
1.34.理解CNN参数及PyTorch实例1.34.1.卷积核kernel1.34.2.层数Channels1.34.3.步长Stride1.34.4.填充Padding1.34.5.池化Pooling1.34.6.PyTorch中的相关方法1.34.7.MNIST例子1.34.理解CNN参数及PyTorch实例参考地址:http://guileen.github.io/2019/12/24/understanding-cnn/在实际的项目中,会发现CNN有多个参数需要调整,本文主要目转载 2021-02-16 20:44:48 · 6254 阅读 · 2 评论 -
优化器(AdaGrad,AdaDelta,RmsProp,Adam,Nadam,Nesterovs,Sgd,momentum)
以下来自:https://my.oschina.net/u/2935389/blog/2967242https://mp.weixin.qq.com/s/NmSVXezxsQOZzK8pne3pCw1.5.1.1.AdaGrad(自适应学习率算法)1.5.1.2.AdaDelta1.5.1.3.RmsProp1.5.1.4.Adam1.5.1.5.AdaMax1.5.1.6.Nadam1.5.1.7.AMSGrad1.5.1.8.Nesterovs(动量的随机梯度下降法)1.5.1.9转载 2021-01-17 01:10:35 · 3699 阅读 · 0 评论 -
02/03_Pytorch安装、Conda安装Pythorch,换源、pytorch官网、验证、安装jupyter、卸载、安装、启动jupyter、配置Jupyter notebook、使用
1.2.Pytorch安装1.2.1.Conda安装Pythorch,换源1 conda添加清华镜像源查看源conda config --show-sources由于从官方的conda源中下载速度过于缓慢,我们需要配置清华镜像源:conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.原创 2021-01-14 23:20:33 · 1288 阅读 · 0 评论 -
06_基本的图像分类案例、导入图片数据、探索数据的格式、数据预处理、构建模型(设置层、编译模型)、训练模型(Fit模型、评估精确度)、得出预测结果(验证预测结果)、使用训练过的模型
1.3.1.基本图像分类翻译自:https://tensorflow.google.cn/tutorials/keras/classification该指南训练一个神经网络模型来对服装图像进行分类,像脚底运动鞋和衬衫。如果你不理解所有的细节也没有关系。这个是一个完成的TesorFlow程序的快速的概述。指南中使用 tf.keras,这是一个高阶API,用于在TensorFlow中构建和训练模型。# TensorFlow and tf.kerasimport tensorflow as tffro原创 2020-06-18 01:21:16 · 789 阅读 · 0 评论 -
05_专家的快速入门、加载MNIST数据集、数据集切分和混淆、定义类的方式构建模型、选择优化器和损失函数、训练模型和测试模型准确率
https://tensorflow.google.cn/tutorials/quickstart/advanced导入TensorFlow到你的程序中:import tensorflow as tffrom tensorflow.keras.layers import Dense, Flatten, Conv2Dfrom tensorflow.keras import Model加载和准备MNIST数据集mnist = tf.keras.datasets.mnist(x_train, y转载 2020-06-17 01:28:46 · 622 阅读 · 0 评论 -
04_面向初学者的快速入门、建立图像分类的一个神经网络、训练这个神经网络、评估模型的精确度
翻译自:https://tensorflow.google.cn/tutorials/quickstart/beginner这是一个的使用Keras做如下事情的简短介绍:建立图像分类的一个神经网络。训练这个神经网络。最后,评估模型的精确度下载和安装TensorFlow 2。在你的应用程序中导入TensorFlow:from __future__ import absolute_import, division, print_function, unicode_literalsimport原创 2020-06-17 01:18:04 · 514 阅读 · 0 评论 -
03_TF2 Guide、文档清单(数据输入、估计器、保存模型、加速器、性能调优等)、TF2库和扩展库(TensorBoard、数据集、TensorFlow Hub、概率和统计分析库、图像处理库)
对应位置:https://tensorflow.google.cn/guide1、TensorFlow GuideTensorFlow 2关注于简单性和易用性,更新快速、直观的高级API,在任何平台上的灵活构建。一些guide直接以Jupyter notebooks编写,并且直接在Google Colab(一个不需要设置的托管的notebook环境)上运行。在Google Colab按钮上点击运行。1.1 必要的文档有(以下英文地址将在后续替换成笔者博文)1、安装TensorFlow(Instal原创 2020-05-27 00:47:28 · 464 阅读 · 0 评论 -
02_tensorflow2环境安装、CUDA 10.1 和CUDnn 7.6.5 版本安装、https://tensorflow.google.cn/overview中概述翻译
1、新手入门1.1 介绍简介本章的目的是让你了解和运行 TensorFlow!在开始之前, 让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码, 让你对将要学习的内容有初步的印象.这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它....原创 2020-05-26 20:36:34 · 1261 阅读 · 2 评论 -
01_关于TensorFlow、什么是数据流图(Data Flow Graph)、TensorFlow的特征、谁可以使用Tensorflow、为啥Google要开源这个神器?
1 关于TensorFlowTensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络转载 2020-05-25 01:00:35 · 2231 阅读 · 0 评论