原创 [深度之眼]LeNet/AlexNet/VGGNet/InceptionNet/ResNet實現fashion_mnist分類

本文使用五種經典卷積神經網絡,實現fashion_mnist十分類問題,並對比準確度和運行時間LeNet5 原理AlexNet8 原理VGGNet16 原理InceptionNet10 原理ResNet18 原理 用到的包: im

原创 [深度之眼]TensorFlow2.0項目班-貓狗圖片分類

貓狗數據集官網 貓示例: 狗示例: 訓練集:貓狗各11500張圖片 驗證集:貓狗各1000張圖片 難點:圖片大小不統一,標籤未配對 首先加載需要的包: import tensorflow as tf import os imp

原创 Tensorflow1.14/Keras2.2.5/Anaconda/Pycharm 安裝流程

Tensorflow/Keras/Anaconda/Pycharm 安裝流程 在官網下載並安裝anaconda(安裝時Path選項打鉤) 在開始菜單下運行Anaconda prompt,並輸入: Where python #查

原创 [深度之眼]TensorFlow2.0項目班-自定義層

自定義層的主要數據結構是layer,實現自定義層的最佳方法是拓展 tf.keras.layers.Layer類,分爲三個部分: __init__ 進行與輸入無關的初始化,定義相關的層 build 知道輸入張量的形

原创 [深度之眼]TensorFlow2.0項目班-模型保存之AutoGraph

TF的計算圖分爲三種:靜態計算圖(1.x)、動態計算圖(2.x)和 AutoGraph(2.x) AutoGraph 可以把動態圖轉化爲靜態圖保存,通過@tf.function實現,有以下三個注意事項: 使用 tf 內部函數,避

原创 [深度之眼]TensorFlow2.0項目班-迴歸模型之自定義loss

常用的損失函數 分類問題:交叉熵 (CE,Cross Entropy) 迴歸問題:均方根誤差 (MSE,Mean Square Error) 以一個簡單的例子實現自定義loss 假設某商品銷售金額僅由變量x1和x2確定(y=x1+

原创 [深度之眼]TensorFlow2.0項目班-分類模型之自定義loss

準備工作: from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf f

原创 [深度之眼]TensorFlow2.0項目班-模型訓練之Callbacks

在上次建立的模型基礎上,加入callbacks機制 分別實現了:模型參數保存、早停和動態學習率衰減 import tensorflow as tf fashion = tf.keras.datasets.fashion_mnis

原创 [深度之眼]TensorFlow2.0項目班-三種思路構建fashion_mnist圖像識別模型

三種思路構建fashion_mnist圖像識別模型 數據是對衣服、褲子、鞋子等圖片的十分類 模型很簡單,主要讓大家區分三種建模思路的區別,直接上代碼: import tensorflow as tf fashion = tf.k

原创 [深度之眼]TensorFlow2.0項目班-原理之損失函數(CE,MSE)

TF2.0損失函數大全 分類問題常使用交叉熵損失函數(CE,Cross Entropy)表徵兩個概率分佈之間的距離 定義爲: 例如一個二分類問題的答案是 y_=(1,0),預測 y1=(0.6,0.4) ,y2=(0.8,0.2

原创 [深度之眼]TensorFlow2.0項目班-模型訓練之GradientTape

在iris鳶尾花分類的數據集上,用 tf.GradientTape 自定義模型訓練的方式來訓練模型 將 model.fit 和 model.compile 分解 import tensorflow as tf from sklea