原创 第八章:類

前言 根據類來創建對象被稱爲實例化,這讓你能夠使用類的實例。在 本章中,你將編寫一些類並創建其實例。你將指定可在實例中存儲什麼信息,定義可對這些實例執行哪些操作。你還將編寫一些類來擴展 既有類的功能,讓相似的類能夠高效地共享代碼。你將

原创 第七章:函 數

前言 在本章中,你將學習編寫函數。函數是帶名字的代碼塊,用於完 成具體的工作。 要執行函數定義的特定任務,可調用該函數。需要在程序中多次 執行同一項任務時,你無需反覆編寫完成該任務的代碼,而只需調用 執行該任務的函數,讓Python運

原创 VGG16網絡模型

VGG-16 is a convolutional neural network that is trained on more than a million images from the ImageNet database.The

原创 第六章:用戶輸入和while循環

前言 在本章中,你將學習如何接受用戶輸入,讓程序能夠對其進行處理。在程序需要一個名字時,你需要提示用戶輸入該名字;程序需要 一個名單時,你需要提示用戶輸入一系列名字。爲此,你需要使用函 數input()。 你還將學習如何讓程序不斷地運

原创 如何可視化卷積神經網絡特徵(基於matlab R2018b)

下面我就簡單的說一下,也便於理解! 一、先加載預先訓練好的網絡模型(這裏呢,先以Alexnet爲例,其他網絡模型的應用方法都是一樣的!) net = alexnet; 在matlab命令行窗口輸入,如果你之前沒有加載過Alexne

原创 使用Alexnet進行交互式遷移學習

前言 本文主要展示如何微調一個預先訓練過的AlexNet來對一個新的圖像集合進行分類。這個過程也被稱爲轉移學習,通常比訓練一個新的網絡要快得多,也容易得多,因爲你可以使用更少的訓練圖像將學到的特性應用到新的任務中。要交互式地爲轉移學習

原创 第五章:字典

在本章中,你將學習能夠將相關信息關聯起來的Python字典。你 將學習如何訪問和修改字典中的信息。鑑於字典可存儲的信息量幾乎 不受限制,因此我們會演示如何遍歷字典中的數據。另外,你還將學 習存儲字典的列表、存儲列表的字典和存儲字典的

原创 圖像檢索概述

一、概述 圖像檢索,簡單的來說就是,用一個圖片去和數據庫中的圖片一一匹配,然後檢索出滿足條件的圖片,圖像檢索技術根據描述圖像內容方法的不同主要分爲兩類: 1. 基於文本的圖像檢索技術,簡稱(TBIR) 2. 基於內容的圖像檢索技術,簡

原创 第一章:機器學習基礎

今天開始學習**《機器學習實戰》**基於python實現的! ps:我之前已經自學了python編程,最近又複習了一遍,也把代碼敲了一遍! 上面這個圖片就是我自學的機器學習書籍,推薦,國外比較好的書籍,其他的書籍我沒看,不做任何評論

原创 第四章:if 語句

if 語句 在 Python中,if語句讓你能夠檢查程序的當前狀態,並據此採取相應的措施。 **#5-1 簡單的小例子** #循環整個列表找到對應的元素,然後返回大寫表示 cars = ['bmw','audi','subaru'

原创 第三章:操作列表

前言 在第二章,你學習瞭如何創建簡單的列表,還學習瞭如何操作列表元素。在本章中,你將學習如何遍歷整個列表,這只需要幾行代碼,無論列表有多長。循環讓你能夠對列表的每個元素都採取一個或一系列相同的措施,從而高效地處理任何長度的列表,包括

原创 pycharm激活方法

pycharm 軟件激活的方法 1、第一種:主要是註冊碼激活 MTW881U3Z5-eyJsaWNlbnNlSWQiOiJNVFc4ODFVM1o1IiwibGljZW5zZWVOYW1lIjoiTnNzIEltIiwiYXNzaWd

原创 基於vgg16的圖像檢索系統(首先要先熟悉VGG16模型)

主要的流程如下: 1. 首先要熟悉vgg16模型;(推薦這位博主的文章介紹,講的比較清楚!) 2. 其次就是熟悉圖像檢索的流程;(基於內容的圖像檢索技術綜述-CNN 方法)以上就是我製作這個系統的全部過程; 還有就是可以看一下相關的論

原创 matlab深度學習——【卷積神經網絡】手寫字的識別

這裏主要是基於卷積神經網絡的手寫字的識別,我是用matlab做的,如果有對卷積神經網絡不太熟悉的夥伴可以搜下,網上資源比較多,我這裏就不多說了,直接上代碼了。 %%準備工作空間 clc clear all close all %%

原创 第一章:變量和簡單數據類型

ps:首先我聲明一下,這個是我的學習筆記,只是方便自己以後複習,主要是自學這本書(https://www.52pojie.cn/thread-746240-1-1.html)大家想自學的可以下載一下,內容如有雷同,那就對了,不要驚訝!