- 博客(10)
- 收藏
- 关注
RSS订阅
原创 深度学习参数可视化调试和理解
1、Visualize Layer Activations通过将神经网络隐藏层的激活神经元以矩阵的形式可视化出来，能够让我们看到一些有趣的insights。在[8]的头部，嵌入了一个web-based的CNN网络的demo，可以看到每个layer activation的可视化效果。 ...
2019-08-15 09:21:48
1455
原创 多目标识别（监控自动识别物体）算法模型
实现自动识别监控图像的任何物体实现在监控中对图像画面的判断。（商业价值：人脸打卡;对实施监控外来人口的出入；识别异样物体；实施监控除该物体以外的其他物体等）通过模型对需要载入的人进行人脸模型训练。在识别率的问题进行优化，通过算法可以对遮蔽防止监控的人进行识别，目前达到遮掩识别率超过其他类似识别算法。其中对于监控的摄像设备其使用当今的普通摄像头即可。产品的展示效果代码专区：客户端from...
2019-06-20 16:24:45
8419
1
原创 上色算法建模训练
上色建模算法通过算法的编写，进行系统建模模。建模完后系统会自动的筛选训练选择出图片每一部分的最适合的颜色。能够在黑白图片下进行色彩的还原，同时也能就行对有加工图片，有滤镜和色彩调整过的图片，进行图像的高还原率的还原到最真实的图像。成品展示...
2019-06-09 15:24:31
703
原创 本周学习课程：Deep Learning
本周学习课程名称：DeepLearning完成进度，Week1总结笔记：监督学习的应用有许多，如上图所示，主要用在预测房价，预测用户是否有点击广告，图片的标签分类，声音转文本，英文翻译成中文，图像识别。监督学习中的数据可分为两类，一类是结构数据，即可以用图表和数字完整表示出来的，还有一种是非结构数据，如图片，声音和文本。Why is Deep Learning ...
2019-08-17 16:22:44
177
原创 神经网络调参总结
做卷积神经网路方面的研究。大抵是： 1、复现别人的网络，得不到相同的表现。 2、自己的网络调参，结果调不上去。所以有一些调参的tricks,在这里学习记录一下，然后加上一些自己的理解...
2019-08-17 12:58:30
2482
1
原创 画稿自动上色
画稿自动上色只需要提供相关仅有素描的图片，系统通过算法可以进行图片的上色。模型训练画稿进行筛选最适合画稿的颜色进行上色。产品展示代码专区AI类import tensorflow as tfimport kerasimport numpy as npfrom config import *from keras.models import load_modeldef ToGr...
2019-06-28 15:31:31
1106
原创 或许你的生活中少了一点AI
AI将更进一步的贴近你的生活科技它一直再发展21世纪的到来，科技迅速笼罩整个地球。我们从什么都没有的年代变到了什么都想要更多的年代。为什么我们会转变的那么快？答案很明显是科技，科技从无到有，再不断的强大，我们也再不断的强大，信息飞速的年代已经来到我们身边很久了，扩散的消息渠道通过互联网快速传达。当科技不断发展的时候，我们会回归到最原始的技术的核心进行改革和突破——算法，当他迅猛的进行不断的突破...
2019-06-28 15:05:27
152
原创 机器学习法入门篇（3）—卷积神经网络学习
CIFAR-10简介官网链接：http://www.cs.toronto.edu/~kriz/cifar.html CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。白一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）...
2019-06-20 14:37:30
354
原创 机器学习法入门篇（2）—单个神经元学习
CIFAR-10简介官网链接：http://www.cs.toronto.edu/~kriz/cifar.html CIFAR-10是一个更接近普适物体的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。白一共包含10 个类别的RGB 彩色图片：飞机（ airplane ）...
2019-06-20 14:35:23
712
原创 机器学习法入门篇（1）—神经元-逻辑斯底回归模型
神经元-逻辑斯底回归模型logistic 回归和线性回归的区别是：线性回归是根据样本X各个维度的Xi的线性叠加（线性叠加的权重系数wi就是模型的参数）来得到预测值的Y，然后最小化所有的样本预测值Y与真实值y‘的误差来求得模型参数。我们看到这里的模型的值Y是样本X各个维度的Xi的线性叠加，是线性的。Y=WX (假设W>0),Y的大小是随着X各个维度的叠加和的大小线性增加的，如图（x为了方便...
2019-06-14 18:55:02
548
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人