深度学习
人工智能之深度学习路径
虎牙维护世界和平
一只爱好交互设计的小闹斧
展开
-
基于Tensorflow2.0的ResNet残差网络
残差网络具有退化保优的能力(卷积多分类任务)它的结构是这样的:它的代码实现是这样的:import tensorflow as tfimport osos.environ['CUDA_VISIBLE_DEVICES'] = '0'#载入数据(x_train,y_train),(x_test,y_test) = tf.keras.datasets.cifar100.load_data()print(x_train.shape,y_train.shape,x_test.shape,y_test原创 2021-08-23 15:41:47 · 308 阅读 · 0 评论 -
基于Tensorflow2的WGAN神经网络
GAN网络对于没有交集的数据集在训练上表现会不好,所以WGAN解决这个问题,加入了梯度惩罚from GANFolder.GAN import Generator,Discriminatorimport tensorflow as tfimport numpy as npimport osfrom PIL import Imageos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'os.environ['CUDA_VISIBLE_DEVICES'] = '0'原创 2021-08-23 15:26:31 · 369 阅读 · 0 评论 -
基于Tensorflow2的GAN生成对抗网络(二)
本例在前文构建了GAN网络之上的主程序from GANFolder.GAN import Generator,Discriminatorimport tensorflow as tfimport numpy as npimport osfrom PIL import Imageos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'os.environ['CUDA_VISIBLE_DEVICES'] = '0'def ParseData(batchData):原创 2021-08-23 15:24:24 · 256 阅读 · 0 评论 -
基于Tensorflow2的GAN生成对抗网络(一)
GAN的网络需要一个判别器(Discriminator)和一个生成器(Generator),判别器需要不停判别生成器产生的图片是否为真实图片,直到最后判别不出来生成器生成的图片到底是真是假,则达到纳什均衡点。本例中,生成器的任务是将100个大小的一维随机数组,通过Conv2DTranspose变成【batchSize,64,64,3】大小的图片。这些生成的图片最大课程生成的和真的一样,不让判别器识别出来。判别器的任务是接受到生成器的假图片,并判断它是假的,接受到真的图片,判断它是真的。import t原创 2021-08-23 15:21:41 · 337 阅读 · 0 评论 -
基于Tensorflow2.0的Variational AutoEncoder网络
VAE的网络首先,全部都是全连接层,其次拥有均值层和方差层(通常认为它是加上了log的)最后满足 Z = MEAN + EPS * LOG_VAR,使得Z的值连续可导。这个EPS需要认为构造一个正太分布(0,1).import tensorflow as tffrom PIL import Imageimport numpy as np(x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()print(x原创 2021-08-23 15:11:02 · 155 阅读 · 0 评论 -
Tensorflow2中保存权重、模型的方法
在Tensorflow2中保存权重和模型的方法有三种第一种为仅保存weights与bias的方式 #1.保存权重和偏移量参数值 save_weights / load_weights path = "./checkpoints/mycheck" #保存weights & bias model.save_weights(path) #重新读取训练好的权重,在模型中使用的时候,需要重新构建模型 model.load_weights("weights.ckp原创 2021-08-23 11:48:02 · 2107 阅读 · 0 评论 -
Tensorflow2里使用Tensorboard——以MINIST手写数据集为例
此篇为纯代码import tensorflow as tfimport datetimebatchSize = 128EPOCH = 30#载入fashion_mnist数据集(x_train,y_train),(x_test,y_test) = tf.keras.datasets.fashion_mnist.load_data()# print(x_train.shape,y_train.shape)def preprocessing(x,y): x = tf.cast(原创 2021-08-23 11:35:47 · 220 阅读 · 0 评论 -
在tensorflow 2 中制作和使用 tfrecord数据集
import tensorflow as tfimport numpy as npfrom PIL import Imageimport os,globos.environ['CUDA_VISIBLE_DEVICES'] = '0' # 导入需要用到的包之后,启用一下GPU# 第一步,构造需要用到的函数#制作Featuer的数据,类型包括了Float,Int64和Bytesdef Float_Feature(value): return tf.train.Feature(floa原创 2021-08-23 11:25:58 · 423 阅读 · 0 评论