原创 Google Colab:更新cuda和tf庫版本

更新cuda和庫版本 Google默認安裝的庫一般都是最新的,例如tf2.0版本,但是我們想要用到tf1.0就會有諸多不便了,因此我需要更新cuda和tf-gpu以及tf-cpu版本。 安裝cuda 在官網選擇對應版本 Click

原创 大批量圖像處理(8)——分類前對圖片預處理(包含VGG,desnet等經典分類模型)

針對一些特別的分類模型常常很麻煩,預處理不一樣,這裏給出幾個比較麻煩處理的分類器的預處理方法 只需兩個經典的庫就可以完成 import cv2 import numpy as np im = cv2.resize(cv2.i

原创 Tensorflow自用版最小二乘法擬合算法

最小二乘法懂的都懂,不再解釋 分部解釋一下代碼塊: 這個爲處理數據的步驟,根據具體情況具體分析,最後獲得x_data和y_data就可以了 df = pd.read_excel('data2.xls', sheetname=0,h

原创 Tensorflow自用版神經網絡擬合(超強,附上超大心血代碼~)

下面的圖足以展示我的代碼是肯定好用的,並且代碼塊有附上註釋,因此我不仔細解釋,大家摸索的學習吧,有問題可以評論找我~ 以下皆爲原創,使用請標明出處。 BP神經網絡流程圖 BP神經網絡結構圖 效果圖: 反歸一化效果圖: im

原创 神經網絡直觀展示

怎麼說呢,其實細節並不難,大家仔細學學都可以學的很不錯。 直接上實戰吧~~ 循環神經網絡

原创 大批量圖像處理(6)——融合圖片

把一張圖片和另一張圖片的像素按照自己定的比例進行融合,當然少不了大批量的處理~ 我個人嘗試去融合圖片的過程中也是花費了不少時間 主要是想現在關於圖像的庫有好幾個,每個庫裏的讀取圖片的函數優劣不一,我嘗試了PIL,scipy,Ope

原创 解決神經網絡過擬合的五大方法

解決過擬合的常見五大方法 1、數據集劃分 2、提前停止 3、正則化 4、dropout 5、數據增強

原创 大批量圖像處理(4)——修改圖片形狀以及像素限制

這裏會給出兩個代碼塊,第一個是批量修改圖片的形狀,第二個是把某一張圖片按照另外一張的圖片的像素點進行上下波動不能超過某一個值的操作,也就是每個點的像素值不得超過某個限定的數字。 resize圖像形狀~ 只有一個輸入地址 和 修改r

原创 經典機器學習算法二:k近鄰法

基於李航教授的《統計學習方法》,本博客爲個人學習筆記。 只記錄精華,不講廢話,讓看過或沒看過的你和我短時間重新領悟該方法。 k近鄰法(knn)與k-means的比較: 兩者共同點: 1、k的選擇類似 2、思路:根據最近的樣本來判斷

原创 大批量圖像處理(5)——修改圖片名字後綴~

沒辦法,這個實在太簡單了,以後有新的方法再來更新~ import os input_dir="/home/NEWDISK/CAAD/xttyctl/face_attack/raw" filelist = os.listdir(i

原创 經典機器學習算法一:感知機

基於李航教授的《統計學習方法》,本博客爲個人學習筆記。 只記錄精華,不講廢話,讓看過或沒看過的你和我短時間重新領悟該方法。 感知機介紹流程一、模型二、策略三、算法 一、模型 感知機是二分類的線性分類模型。 感知機對應於輸入空間

原创 Google Colab:成功解決OSError: [Errno 5] Input/output error

OSError: [Errno 5] Input/output error 這個錯誤真的非常頭疼,前一個小時還可以導入的,現在就不能導入了。看了各大論壇,還是在Google官方論壇找到了Why?點擊鏈接瞭解詳情 OK,知道了wh

原创 機器學習算法基礎一:極大似然估計(MLE)、最大後驗概率估計(MAP)、貝葉斯估計區別

概率論、統計學相信大家都有了解或者上課學過,還有不少人認爲概率論也就P(A)+P(B)=1P(A)+P(B)=1P(A)+P(B)=1如此簡單,包括曾經的我哈,大學概率論滿分,也覺得概率論、統計學就那樣嘛,不難。 但隨着深入的學習

原创 深度學習框架tensorflow二實戰(遷移學習)

遷移學習 用人家訓練好模型的權重參數當做我們的初始化 一般全連接層需要自己訓練,可以選擇是否訓練別人訓練好的特徵提取層 例如vgg,inception等這些構建好等網絡結構,訓練好了這些模型的這些參數,我們直接拿過來使用作爲參數的

原创 Linux後臺掛起

最常用的就是nohup 和 screen 了 nohup sh AAA.sh >>keda.log 2>&1& screen -ls screen -r xx screen -x xx 最近忙比賽,後面繼續更新~