- 博客(24)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 AttributeError: 'Tensor' object has no attribute '_keras_history'
我出现这个问题的原因是在keras中使用了 + ，而非add操作导致的。x = x1+x2应该改为import kerasx = keras.layers.add([x1,x2])就好了
2018-03-29 22:16:23
6114
原创 np.argwhere（）的用法
np.argwhere( a ) Find the indices of array elements that are non-zero, grouped by element.返回非0的数组元组的索引，其中a是要索引数组的条件。返回数组中所有大于1的数字的索引值。...
2018-03-23 20:51:02
105769
2
原创 深度学习实验的一些小知识点
遇到一条是一条，慢慢增加，怕搞忘了。。。。1.参数量过大也不好，容易过拟合。2.DenseNet每一个Dense中的混合函数输入的都是统一大小的通道数卷积特征图，有gr成长率控制，这是减少参数最重要的方法，每次输出来的都是一个固定大小的feature map，不像其他网络那样一层一层往后是增加的，DenseNet通过concat操作将信息一步一步往后传，又加大了信息流动，非常厉害的想法。生成24个...
2018-03-20 09:39:44
590
原创 模型集成方法
数据层面的集成方法：测试阶段数据扩充：以随机扣取为例，对某张测试图像可得到n张随机扣取图像，测试阶段只需用训练好的深度网络模型对n张图分别做预测，之后将预测的各类置信度平均作为该测试图像的最终预测结果即可。简易集成法：对于样本较多的类采取降采样，每次采样数依照样本数目最少的类别而定，这样每类取到的样本数是均等的。采样结束后，针对每次采样得到的子数据集训练模型，如此采样、训练反复多次。最后对测试数据...
2018-03-18 21:11:08
1526
原创 微调神经网络技巧
除了从头训练自己的网络，一种更有效，更好的方式就是微调已预训练好的网络模型，微调预训练模型简单点来说就是用目标任务数据在原先预训练的模型上继续训练的过程。这是非常实用的一个技巧：1.由于网络在原始数据上收敛，因此应该设置较小的学习率在目标数据集上微调，应该在10的负四次方以下。2.卷积神经网络浅层拥有更泛化的特征（如边缘、纹理等），深度特征则更抽象对应高层语义。因此，在新数据上微调时泛化特征更新可...
2018-03-18 16:48:43
7161
原创 BassNet：Band-Adaptive Spectral-Spatial Feature Learning Neural Network for Hyperspectral Image ...
遥感领域Top期刊（注重算法理论创新）BassNet：Band-Adaptive Spectral-Spatial Feature Learning Neural Network forHyperspectral Image Classification1.Introdction高光谱成像[1]，[2]从大量密集相邻的频带收集丰富的光谱信息。 它产生三维（x; y;λ）数据卷，其中x; y表示空间...
2018-03-17 21:09:49
1355
原创 深度学习中关于 “深度” 的理解
深度学习中对深度的理解还是很值得去思考的，是规模的深度，还是特征的深度？事实上，通过实验可以发现卷积层的参数由卷积核的个数和卷积核的尺寸来控制，这两个参数直接决定整层的参数的个数，如果两个卷积层这两个参数完全相同，那么这两层的总参数量也完全相同。我们在设计神经网络的时候，卷积核一般是逐层增加的，卷积核的尺寸控制在3*3或者5*5这样的小尺寸是比较好的，小卷积核尺寸已经有很多网络结构说明在图像识别上...
2018-03-17 15:59:28
11210
原创 高光谱影像中的Hughes现象
Hughes现象是指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制。在多光谱中，图像的维数较少，训练样本的数目相对于特征空间的维数有较大的比率，因...
2018-03-17 12:44:39
5833
1
原创 深度学习处理遥感影像入门教程
这篇文章是武汉大学张良培教授的深度学习处理遥感影像处理的入门教程论文。Deep Learning forRemote Sensing DataLiangpei ZhangDL在RS领域有非常好的发展前景，传统方法人工提取特征，无法在discriminability和鲁棒性之间达到平衡。以场景识别为例, 在 DL 的帮助下, 场景可以通过利用低级特征捕获的局部空间安排和结构模式的变化来表示为酉变换,...
2018-03-16 12:28:16
25344
8
原创 在word中插入图表的一些小问题
1.在word中插入图表时，横纵坐标没显示出来，可以通过点击横纵坐标，在坐标轴里面，选颜色填充进行修改。2. 合并单元格，右击里面有合并单元格选项。...
2018-03-15 08:46:08
2785
原创 深度学习中学习率的选择
learning rate是深度学习模型中进行训练的一个比较关键的因素，也是通常我们设计模型中基本都会讨论和实验的一个参数。 大家都知道，梯度具有方向和大小，反向传播中，梯度下降算法乘以一个称为学习速率的变量，以确定下一个点的位置。学习率设置过小，收敛速度会非常慢，学习率设置过大，则会越过最低点，无法达到最低点。 Lr的选择是纯粹的超参问题，实际上也就是try，不过你如果直...
2018-03-11 22:56:31
9590
原创 深度神经网络中损失函数的选择
损失函数是设计神经网络中很重要的一个关键因素，面对特定的问题，我们要设计不同的损失函数，比如我们参数kaggle比赛时，一般赛事举办者都会给出来一个损失函数。损失函数是模型对数据拟合程度的反映，拟合的越差，损失函数的值就应该越大，同时我们还期望，损失函数在比较大时，它对应的梯度也要比较大，这样的话更新变量就可以更新的更快一点。事实上，我们对损失函数的也就两个方面的要求，首先要能反映出你求解问题的真...
2018-03-11 22:17:54
9337
2
原创 深度学习中对输入数据进行归一化操作
归一化操作是深度学习模型输入数据之前要进行一项很重要的操作。在不同的评价指标中，量纲单位往往不同，变化区间处于不同的数量级，若不进行归一化，会导致某些指标被忽视，从而影响到数据分析的结果。归一化本身就是把你需要的数据经过一定的处理限制在一定的范围内。在统计学上，归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1,1之间是统计的坐标分布。在Inception...
2018-03-11 15:43:00
12535
原创 笔记本电脑外接显示屏的分辨率设置，外接显示屏分辨率总是低一点的解决方法
外接显示屏有两种连接方式，一种是HMDI，一种是VGA，前者是使用GPU，后者就是我们常用的连接方式，比如投影仪什么的，前面这种连接方式是我推荐的，这种连接方式能够保证，你再使用笔记本的内置显示屏和外接显示屏双屏时分辨率不产生冲突，两个显示屏都设置1920*1080时，是不会考虑屏幕大小的影像的，如果你使用第二种连接方式，你会发现外接屏的显示分辨率就是比笔记本内置分辨率要低。一般你买显示屏的时候都...
2018-03-10 16:38:59
53298
原创 高光谱图像输入卷积神经网络的维度问题
现在处理高光谱影像大多使用3D-CNN，对于高斯光谱数据而言，输入网络模型的shape是（x,y,z）这种形式，x，y是长宽尺寸，而z是光谱维度，IN数据集一般是200，UP数据集一般是103。keras中Conv2D的输入张量尺寸：(samples, rows, cols, channels)Conv3D的输入张量尺寸：(samples, conv_dim1, conv_dim2, conv_d...
2018-03-08 11:22:19
7327
9
原创 神经网络中concatenate和add层的不同
在网络结构的设计上，经常说DenseNet和Inception中更多采用的是concatenate操作，而ResNet更多采用的add操作，那么这两个操作有什么异同呢？concatenate操作是网络结构设计中很重要的一种操作，经常用于将特征联合，多个卷积特征提取框架提取的特征融合或者是将输出层的信息进行融合，而add层更像是信息之间的叠加。This reveals that both Dense...
2018-03-08 10:01:58
44312
13
原创 keras中TimeDistributed的用法
TimeDistributed这个层还是比较难理解的。事实上通过这个层我们可以实现从二维像三维的过渡，甚至通过这个层的包装，我们可以实现图像分类视频分类的转化。考虑一批32个样本，其中每个样本是一个由16个维度组成的10个向量的序列。该层的批输入形状然后(32, 10, 16)。可以这么理解，输入数据是一个特征方程，X1+X2+...+X10=Y，从矩阵的角度看，拿出未知数，就是10个向量，每个向...
2018-03-07 21:40:37
70528
20
原创 如何制作用于遥感影像分类的高分辨率遥感影像数据集？
How to make high resolution remote sensing image dataset？github地址0.引言根据自身需要制作遥感影像数据还是很具有现实意义： 第一，高分辨率遥感影像数据集目前整体上是缺乏的，主流的有UC-Merced dataset,WHU-RS dataset,RSSCN7 dataset以及2017年由武汉大学制作的目前最大包括10000张30类...
2018-03-07 16:02:20
18114
17
原创 利用python中matplotlib打印混淆矩阵
前面说过混淆矩阵是我们在处理分类问题时，很重要的指标，那么如何更好的把混淆矩阵给打印出来呢，直接做表或者是前端可视化，小编曾经就尝试过用前端（D5）做出来，然后截图，显得不那么好看。。代码：import itertoolsimport matplotlib.pyplot as pltimport numpy as npdef plot_confusion_matrix(cm, classe...
2018-03-07 13:40:57
6863
原创 从混淆矩阵中计算每一类的分类精度和总体平均精度
计算每一类的分类精度，进而求总体的平均精度是分类问题很常用的评价指标，当我们计算出混淆矩阵之后，需要对混淆矩阵进行量化分析，最明显的指标就是计算分类精度，下面提供一种计算方面，使用sk-learn的apinp.diag是将对角线的值取出来，也就是正确分类的样本数的分布，axis=1，是行维度，实际就是预测样本数分布，np.sum就是将预测的每类样本数进行求和。nan_to_num是将部分真除之后会...
2018-03-06 10:18:26
18373
8
原创 confusion_matrix 混淆矩阵的用法
混淆矩阵被用于在分类问题上对准确率的一种评估形式，我们经常通过观察混淆矩阵的对角线来评估出模型的分类效果，最理想的结果就是所有的数据都在对角线上，那么说明分类精度最高，下面看一个例子：可以看到预测数据集是["ant", "ant", "cat", "cat", "ant", "cat"]，标签数据集是["cat", "ant", "cat&
2018-03-06 09:40:06
6949
原创 overall accuracy 总体精度的计算
总体精度是在分类问题上常用的指标，通常都是使用基于sk-learn的api来计算模型最终在测试数据集上的总体精度，总体精度（OA）与平均精度（AA）不同，总体精度是模型在所有测试集上预测正确的与总体数量之间的比值，平均精度是每一类预测正确的与每一类总体数量之间的比值，最终再取每一类的精度的平均值。normalize = False，这个参数表示返回正确的个数...
2018-03-05 21:54:48
23737
4
原创 图像分类中max-pooling和average-pooling之间的异同
池化操作时在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操作，但是近些年比较主流的ImageNet上的分类算法模型都是使用的max-pooling，很少使用average-pooling，这对我们平时设计模型时确实有比较重要的参考作用，但是原因在哪里呢？通常来讲，max-pooling的效果更好，虽然max-pooling和average-pooling都对数据做了下采样...
2018-03-03 20:41:26
52505
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人