深度学习
一位安分的码农
这个作者很懒,什么都没留下…
展开
-
python安装opencv,踩坑终于找到解决方案
python安装opencv,踩坑终于找到解决方案在尝试各种方案后,终于找到了解决方案首先,打开这个网站http://www.lfd.uci.edu/~gohlke/pythonlibs/由于我的python版本是3.7,所以找到opencv_python-4.5.5+mkl-cp37-cp37m-win_amd64最后执行命令pip install D:\Download\opencv_python-4.5.5+mkl-cp37-cp37m-win_amd64就可以成功安装了...原创 2022-01-14 19:25:22 · 3059 阅读 · 4 评论 -
tensorflow深度学习之基于GRU的股票预测
在tensorflow深度学习之GRU(变种RNN)的原理中,我们已经学到了GRU的基本原理。下面,我们采用GRU实现股票预测。代码import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dropout, Dense, GRUimport matplotlib.pyplot as pltimport osimport pandas as pdfrom sklearn.preprocessing原创 2021-03-04 16:59:51 · 1823 阅读 · 3 评论 -
卷积神经网络的结构及卷积的含义
卷积神经网络网络的主要模块卷积(Convolutional),批标准化(BN),激活(Activation),池化(Pooling),全连接(FC)卷积是什么?卷积就是特征提取器,就是CBAPDModel=tf.keras.models.Sequential([C: Conv2D(filters=6, kernel_size=(5, 5), padding=’same’),#卷积层B: BatchNormalization(), #激活层A: Activation(‘relu’) #BNP:原创 2021-03-02 16:13:38 · 331 阅读 · 0 评论 -
tensorflow实现python深度学习步骤——keras搭建网络八股class
搭建网络八股步骤ImportTrain, testClass MyModel(Model) model=MyModel 搭建网络结构Model.compile 配置训练参数,告知优化器、损失函数、评测指标Model.fit 配置训练过程,告知训练集的输入特征和标签、batch、迭代次数Model.summary具体步骤1.class MyModel(Model) model=MyModelClass MyModel(Model):def init(self):super(MyModel原创 2021-03-02 10:47:16 · 232 阅读 · 0 评论 -
tensorflow实现python深度学习步骤——keras搭建网络八股sequential
搭建网络八股步骤ImportTrain, testModel = tf.keras.models.Sequential 搭建网络结构Model.compile 配置训练参数,告知优化器、损失函数、评测指标Model.fit 配置训练过程,告知训练集的输入特征和标签、batch、迭代次数Model.summary具体步骤1.Model = tf.keras.models.Sequential([网络结构]) 描述各层网络网络结构举例:拉直层:tf.kears.layers.Flatten(原创 2021-03-02 10:44:23 · 494 阅读 · 0 评论 -
python深度学习之创建自己的数据集及训练与预测
代码# 首先对数据进行切分,即分出数据集和测试集import pandas as pdfrom sklearn.model_selection import train_test_splitiris_data = pd.read_csv('C:/Users/it possible/Desktop/新建文件夹/titantic_and_iris_dataset/mytestData.csv')# all_inputs = iris_data[['Sepal.Length', 'Sepal.Wid原创 2021-03-01 20:12:08 · 3397 阅读 · 1 评论 -
tensorflow自制mnist的输入特征和标签(数据集)
代码import tensorflow as tffrom PIL import Imageimport numpy as npimport ostrain_path = './mnist_image_label/mnist_train_jpg_60000/'train_txt = './mnist_image_label/mnist_train_jpg_60000.txt'x_train_savepath = './mnist_image_label/mnist_x_train.npy'原创 2021-03-01 23:12:02 · 778 阅读 · 0 评论 -
tensorflow深度学习之断点续训
代码运行效果代码所在文件夹中多了一个checkpoint文件(忽略文件夹中的其他文件,我懒得删)代码import tensorflow as tfimport osmnist = tf.keras.datasets.mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0model = tf.keras.models.Seq原创 2021-03-02 10:12:47 · 613 阅读 · 0 评论 -
tensorflow深度学习之断点续训后的参数提取及显示
在tensorflow深度学习之断点续训这一节中,我们已经讲到每训练一个epoch,模型参数会更新一次。那么,我们如何获取文件中的模型参数呢?运行效果在文件夹中生成weights.txt文件,打开即可看到具体的模型参数代码import tensorflow as tfimport osimport numpy as np# 设置print中不会因为内容太多而显示省略号np.set_printoptions(threshold=np.inf)mnist = tf.keras.data原创 2021-03-02 10:21:46 · 282 阅读 · 0 评论 -
tensorflow深度学习之准确率acc与损失loss可视化画图显示
运行效果画图代码plt.subplot(1, 2, 1)plt.plot(acc, label='Training Accuracy')plt.plot(val_acc, label='Validation Accuracy')plt.title('Training and Validation Accuracy')plt.legend()plt.subplot(1, 2, 2)plt.plot(loss, label='Training Loss')plt.plot(val_loss,原创 2021-03-02 10:39:14 · 11703 阅读 · 7 评论 -
tensorflow深度学习之加载已训练好的模型文件实现物体识别(附工程文件可运行)
原理predict(输入特征,batch_size=整数) 返回前向传播计算结果步骤:复现模型(前向传播):model=tf.keras.models.Sequential([tf.keras.layers.Faltten(), tf.keras.layers.Dense(128, activation=’relu’), tf.keras.layers.Dense(10, activation=’softmax’) ])加载参数:model.load.weights(model_save_pat原创 2021-03-02 11:15:43 · 897 阅读 · 0 评论 -
tensorflow深度学习之描述循环计算层与循环计算过程(超详细)
描述循环计算层tf.keras.layers.SimpleRNN(记忆体个数,activation=‘激活函数’, return_sequences=是否每个时刻输出ht到下一层)activation=‘激活函数’(不写,默认使用tanh)return_sequences=Ture 各时间步输出ht(一般中间层的核用Ture)return_sequences=False 仅最后时间步输出ht(默认)(一般最后一层的循环核用False,仅在最后一个时间步输出ht)当return_sequences=原创 2021-03-02 17:24:52 · 635 阅读 · 0 评论 -
tensorflow深度学习之基于RNN的字母预测(单字母预测单字母)
代码原理见我的博客tensorflow深度学习之描述循环计算层与循环计算过程(超详细)运行效果输入字母a,预测出b输入字母b,预测出c输入字母c,预测出d输入字母d,预测出e输入字母e,预测出a代码import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dense, SimpleRNNimport matplotlib.pyplot as pltimport osinput_wo原创 2021-03-03 13:10:30 · 629 阅读 · 1 评论 -
tensorflow深度学习之基于RNN的字母预测(多字母预测单字母)
在tensorflow深度学习之描述循环计算层与循环计算过程(超详细)与tensorflow深度学习之基于RNN的字母预测(单字母预测单字母)中,我们已经学到了RNN的基本原理与单字母预测单字母。下面,我们把时间核按时间步展开,连续输入多个字母预测下一个字母。循环核按时间展开后的循环计算过程运行结果代码import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dense, SimpleRNN原创 2021-03-03 14:01:53 · 475 阅读 · 1 评论 -
tensorflow深度学习之基于RNN的字母预测(使用embedding编码)
tensorflow深度学习之基于RNN的字母预测(单字母预测单字母)和tensorflow深度学习之基于RNN的字母预测(多字母预测单字母)中,我们使用独热码对5个字母进行了编码。独热码的位宽与词汇量一致,词汇量增大时,会非常浪费资源,于是,embedding编码方法诞生。Embedding编码方法介绍embedding是一种单词编码方法,用低维向量实现了编码,这种编码通过神经网络训练优化,能表达出单词间的相关性。tf.keras.layers,Embedding(词汇量表大小,编码维度)编码维原创 2021-03-03 14:28:10 · 533 阅读 · 0 评论 -
tensorflow深度学习之RNN实现四个数字预测下一个数字
import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dense, SimpleRNN, Embeddingimport matplotlib.pyplot as pltimport osx_train=[[0,1,2,3],[1,2,3,4],[2,3,4,5],[3,4,5,6],[4,5,6,7],[5,6,7,8],[6,7,8,9],[7,8,9,10],[8,9,10,11],[9,原创 2021-03-03 20:42:28 · 1352 阅读 · 3 评论 -
TypeError: Input ‘b‘ of ‘MatMul‘ Op has type int64 that does not match type float32 of argument ‘a‘.
出错代码行model.fit(x_train, y_train, batch_size=32, epochs=50, validation_data=(x_test, y_test), validation_freq=1)仔细研究,发现问题是在我数据集中。我的数据集采用的都是int型表示灰度值,没有在数值后加.,而神经网络中需要输入的数据类型为float32,所以我们要用astype(np.float32)更改数据集数据类型。出错代码:all_inputs = iris_data[['1', '原创 2021-03-03 16:59:49 · 326 阅读 · 1 评论 -
使用Python获取股票数据(csv文件)
运行效果代码import tushare as tsimport matplotlib.pyplot as pltdf1 = ts.get_k_data('600519', ktype='D', start='2010-04-26', end='2020-04-26')datapath1 = "./SH600519.csv"df1.to_csv(datapath1)原创 2021-03-03 15:36:48 · 3095 阅读 · 2 评论 -
tensorflow深度学习之基于RNN的股票预测
在使用Python获取股票数据(csv文件)中,我们已经下载好了股票数据csv文件下面我们利用下载好的数据,对股票进行训练与预测代码import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dropout, Dense, SimpleRNNimport matplotlib.pyplot as pltimport osimport pandas as pdfrom sklearn.prepro原创 2021-03-03 15:39:31 · 736 阅读 · 2 评论 -
tensorflow深度学习之LSTM(变种RNN)的原理
在tensorflow深度学习之描述循环计算层与循环计算过程(超详细)中,我们已经学习到了传统循环网络RNN的原理。传统循环网络RNN的缺点传统循环网络RNN通过记忆体实现短期记忆进行连续数据的预测,但是当连续数据的序列变长时,会使得展开时间步过长。在反向传播更新参数时,梯度要按时间步连续相乘,会导致梯度消失。长短期记忆网络LSTM长短期记忆网络中引入了三个门限,即输入门it,遗忘门ft,输出们ot。引入了表征长期记忆的细胞态Ct,引入了等待存入长期记忆的候选态Ct波浪号。他们分别的作用是:原创 2021-03-03 21:54:31 · 626 阅读 · 1 评论 -
tensorflow深度学习之GRU(变种RNN)的原理
在tensorflow深度学习之LSTM(变种RNN)的原理中,我们已经学习到了LSTM的基本原理。2014年,Cho等人提出了GRU,优化了LSTM的结构。GRU计算过程GRU使记忆体ht融合了长期记忆和短期记忆。ht包含了过去信息h(t-1)和现在信息ht波浪号。现在信息是过去信息h(t-1)过重置门与当前输入共同决定。两个门限的取值范围也是0到1之间。前向传播时,直接使用这个记忆体更新公式,就可以算出每个时刻的ht值了。GRU的tensorflow实现tf.keras.layers.G原创 2021-03-03 22:12:27 · 925 阅读 · 1 评论 -
tensorflow深度学习之基于LSTM的股票预测
在tensorflow深度学习之基于RNN的股票预测中,我们已经实现了基于传统RNN的股票预测。下面,我们采用LSTM实现股票预测。代码import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Dropout, Dense, LSTMimport matplotlib.pyplot as pltimport osimport pandas as pdfrom sklearn.preprocess原创 2021-03-03 21:57:38 · 1594 阅读 · 6 评论