![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python
你好!!ii
这个作者很懒,什么都没留下…
展开
-
爬取短美文付费文章
import requestsfrom lxml import etreeurl = "https://www.duanmeiwen.com/yulu/shanggan/2060493.html"# 发起网络请求content = requests.get(url).content.decode('GBK')# 加载数据, 过滤doc = etree.HTML(content).xpath("//div[@class='content']/p")# 循环for item in...原创 2022-05-03 14:38:09 · 61 阅读 · 0 评论 -
cannot import name ‘imread‘ from ‘scipy.misc‘
解决方法:将from scipy.misc import imreadfrom scipy.misc import imresize转换成from imageio import imread原创 2022-04-28 21:23:18 · 200 阅读 · 0 评论 -
欠拟合,过拟合,岭回归
alpha:0~1 1~10完整代码:import pandas as pdfrom sklearn.datasets import load_bostonfrom sklearn.linear_model import LinearRegression, SGDRegressor, Ridgefrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessi...原创 2022-04-28 17:18:33 · 124 阅读 · 0 评论 -
Keras基于VGG对五种图片类别识别的迁移学习
/数据集:http://39.78.67.216:9000/csdn-downloads/2022-04-20/20220420Z6t8A1C9.zip案例效果2. 数据集以及迁移需求数据集是某场景下5个类别图片的识别我们利用现有的VGG模型去进行微调思路和步骤读取本地的图片数据以及类别 keras.preprocessing.image import ImageDataGenerator提供了读取转换功能 模型的结构修改(添加我们自定的分类层) freeze掉原始VG原创 2022-04-22 20:01:34 · 1081 阅读 · 0 评论 -
BN和神经网络调优
学习目标:掌握基本的超参数以及调参技巧·掌握BN的原理以及作用/批标准化:根本上不是去优化模型,而是帮助我们更好地去训练,简单训练过程,节省时间。 解决目的:内部协变量偏移 对于深层网络一些层级输出进行批标准化在标准化之后,增加一个状态分布参数,让标准数据进行修改分布 garma beta 作用:BN减少不同数据分布状态带来的影响,模型鲁棒性强,测试准确率高,防止过拟合作用。 BN使得不同层...原创 2022-04-20 17:50:18 · 1952 阅读 · 0 评论 -
深度学习正则化
目录tensorflow2.keras深度学习正则化解决方法对于高方差,有以下几种方式:获取更多的数据,使得训练能够包含所有可能出现的情况·正则化(Regularization) 寻找更合适的网络结构对于高偏差,有以下几种方式:扩大网络规模,如添加隐藏层或者神经元数量 寻找合适的网络架构,使用更大的网络结构,如AlexNet·训练时间更长一些不断尝试,直到找到低偏差、低方差的框架。正则化项的理解:keras.layers.Conv.原创 2022-04-15 17:21:23 · 1330 阅读 · 0 评论 -
tensorflow卷积神经网络实战----验证码识别
tensorflow2交叉熵的计算读取图片数据:def read_pic(): """ 读取图片数据 return filename_batch, image_b """ # 1. 构造文件名队列 # 获取文件名列表 file_names = glob.glob("./data/GenPics/*.jpg") # print("file_names:\n", file_names) ...原创 2022-04-14 16:15:46 · 490 阅读 · 2 评论 -
keras对数据集cifar100实现卷积神经网络识别
model = keras.models.Sequential([ # 卷积层1; 32个5*5*3的filter keras.layers.Conv2D(32, kernel_size=5, strides=1, padding="same", data_format="channels_last", activation=tf.compat.v1.nn.relu), # 池化层1;2*2窗口 keras...原创 2022-04-13 21:11:54 · 687 阅读 · 0 评论