深度学习
John H.
一直在学习,但还是很菜...
展开
-
深度学习3类注意力模块代码(函数)
深度学习3类注意力模块代码(函数)原创 2023-06-12 20:06:15 · 301 阅读 · 0 评论 -
关于图片分类深度学习模型输出层、模型编译中的相关问题小结(基于tensorflow框架)
如果是二分类loss选择二元交叉熵 (binary crossentropy)即可,如果是多分类可以采用类别交叉熵 (categorical crossentropy)。预测值是1个值,一般人为小于0.5是第一个类,大于0.5是第二类;二、关键模型编译中精度评级指标和loss方法的选择。下面均以二分类问题为例子说明上述问题。其他多分类的也与此相同。原创 2023-06-12 19:56:20 · 223 阅读 · 0 评论 -
获取卷积神经网络模型参数个数(总参数、可训练参数、非训练参数)
直接上程序。import tensorflow as tfimport numpydef parameters_count(_model): total_count = _model.count_params() trainable_count = numpy.sum([tf.keras.backend.count_params(w) for w in _model.trainable_weights]) non_trainable_count = numpy.sum([原创 2021-11-10 15:46:31 · 1194 阅读 · 0 评论 -
图片2分类卷积神经网络模型训练、分类预测案例全过程(2)
上一篇博客内容讲述了卷积神经网络模型构建、训练以及模型的保存,包括训练样本数据的预处理和喂给网络。本篇博客内容讲述训练好的模型的应用和实际图片数据的分类预测。图片2分类卷积神经网络模型训练、分类预测案例全过程(2)前言训练好的模型的调用和实际图片的分类预测,这里包括数据预处理和模型调用。# 一、数据预处理用于开展分类预测的数据量一般不是很大,这里就没有再制作tfrecord格式数据,直接使用文件夹里面的图片开展分类预测。这里需要一个加载读取单张图片的函数,具体如下。用于后期文件夹中所.原创 2021-08-17 08:31:53 · 1833 阅读 · 0 评论 -
图片2分类卷积神经网络模型训练、分类预测案例全过程(1)
图片2分类卷积神经网络模型训练、分类预测案例全过程(1)前言(1)尽管目前有关卷积神经网络深度学习的相关材料较多,但深度学习牵涉到数据预处理、模型构建、模型调用等环节,我也是一个初学者,中间有很多问题都是查阅好多资料才得以解决,我在这里会尽量的详细写清楚关键环节,供和我一样的初学者参考。超过2分类的多分类操作流程基本一样。(2)这里我不提供深度学习的最基础原理,都是从实际操作中出发,能够上手应用。(3)主要内容包括:数据预处理(包括tfrecord格式数据生成与读取喂给网络)、模型搭建及相关参..原创 2021-08-13 22:11:55 · 1946 阅读 · 0 评论