原创 計算機視覺教程核心版(三)優化上篇梯度下降

目錄 優化介紹 可視化損失函數 優化方法 計算梯度和梯度下降 總結     優化介紹 前面兩節主要介紹了圖像分類任務的兩個關鍵成分 得分函數:將原生像素映射到類得分 損失函數:基於產生的得分與訓練數據集真是標籤的匹配程度衡量參數集合的質量

原创 python教程(九)編碼風格

PYTHON編碼風格 現在你將要寫更長,更復雜的Python代碼,是時候討論一下 代碼風格。大多數語言都能使用不同的風格編寫(或更簡潔,格式化的);有些比其他的更具有可讀性。能讓其他人輕鬆閱讀你的代碼總是一個好主意,採用一種好的編碼風格對

原创 計算機視覺教程核心版(六)數據預處理、初始化和分類與迴歸

數據預處理、權重初始化和損失函數warming up數據預處理權重初始化學習率初始化正則化總結 warming up 在之間的章節中。我們介紹了神經元的模型,其計算點乘後跟着一個非線性化,而神經元排列成層。合併起來,不同的層數、每

原创 python教程(十一)輸入輸出、讀寫文件

輸入輸出輸入輸出介紹格式化字符串文字字符串的format()方法讀寫文件文件對象的方法使用[json](https://docs.python.org/zh-cn/3/library/json.html#module-json)保

原创 計算機視覺教程核心版(三)優化中篇反向傳播展示

目錄 介紹 簡單的表達式 模塊化 反向傳播中的模式 多個分支梯度相加   介紹 在本節中,我們將對反向傳播(這是一種通過遞歸的應用鏈式法則計算梯度表達式的方法)進行直觀而專業的理解。理解反向傳播的過程以及其中的細節對我們理解,有效開發、設

原创 計算機視覺教程核心版(四)激活函數

目錄 基礎神經網絡 常用非線性函數   基礎神經網絡 在線性分類中,我們不同視覺類別的得分函數是通過,W是權重矩陣,x是一個輸入列向量。在神經網絡中,我們計算的是,如圖所示結構。 函數max(0,x)是一個非線性化函數,其作用於輸入的每

原创 計算機視覺教程核心版(九)遷移學習

遷移學習 實際中很少有人從頭開始訓練一個神經網絡,因爲大部分任務都缺少足夠的數據量。常用的方法是預訓練一個基於非常大的數據集上的神經網絡,之後將這個神經網絡要麼作爲任務的初始化,要麼作爲任務的一個特徵提取器。三種主要的遷移學習系列列出如下

原创 計算機視覺教程核心版(七)神經網絡動態學習參數調整

前面學習瞭如何建立神經網絡網絡連接,數據預處理和損失函數,優化方法。下面介紹學習的過程即,可視化學習過程並在訓練中調試這些參數。 內容 訓練之前:理智檢查技巧 監視訓練過程     訓練之前:理智檢查技巧 尋找正確的可能的損失。當你用小的

原创 計算機視覺教程核心版(八)卷積神經網絡各種層

本節主要介紹卷積神經網絡 目錄 概述 卷積神經網絡中的層 卷積層 池化層 全連接層 將全連接層轉化爲卷積層 卷積神經網絡結構介紹 層的模式   概述 卷積神經網絡非常相似於之前的一般神經網絡。它們都由含有可學習的參數(權重

原创 計算機視覺教程核心版(三)優化下篇優化方法

本節承接優化中篇 在前面的章節中我們已經介紹了最簡單的優化方法,隨機梯度下降法。如下代碼和圖示例 左邊代碼中僅僅需要兩行代碼就可以實現SGD優化方法。右邊的圖展示了含有兩個參數的損失函數等高線的圖,不同顏色代表不同的損失函數,中間紅色表

原创 monkeyrunner+pycharm進行手機app自動點擊截圖

動機 由於要用AI做手機app的自動化測試開發,因此數據集是必不可少的。經過調研,利用monkeyrunner可以進行自動點擊手機app,同時達到自動截圖的目的。 目的 簡要記錄步驟以便後續使用   一、環境搭建 使用monkeyrunn

原创 python語言程序設計基礎筆記(一)編寫程序基本邏輯

5.25 程序的基本編寫方法,IPO。 重要確定問題計算部分 1.分析問題計算部分,從不同角度分析問題會產生不同的程序 2.劃分邊界,精確定義或描述問題的功能邊界。計算劃分爲IPO,輸入輸出以及數據處理的要求 3.設計算法,完成計算部分的

原创 shell學習——(一)

動機 shell處理文件目錄極爲方便,項目需要熟悉linux系統。 shell優點 1.比編程語言更加高級,簡潔地表達複雜的操作。 2.可移植性,可以做到腳本無修改就可在不同系統上執行 3.可在短時間內完成一個功能強大又好用的腳本

原创 shell學習——(二)

接着上一章,shell的基本概念介紹完後,具體介紹一些實用和常用的shell內建命令。 一、echo echo將參數打印到標準輸出,參數之間以一個空格隔開,並以換行符結尾。 例如,$ echo "Enter your name

原创 如何將原始數據轉化爲詞向量

動機 研究文本分類時候,不清楚如何將文本轉化爲向量的過程。因此無法針對自己的數據集進行構建詞向量。 目的 熟悉tf.data.Dataset函數,熟悉文本分類數據集構建的過程   一、加載環境 二、將文本加載到數據中 1.將相同類型的數據