一、loss、acc提取 有时候我们需要查看每个batch训练时候的损失loss与准确率acc，这样可以帮助我们挑选合适的epoch以及查看模型是否收敛。 Model.fit()在调用时会返回一个History类，这个类的一个属性Historty.history是一个字典，里面就包含了每一个batch的测试集与验证集的lo
model.fit函数 fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=N
import numpy as np import tensorflow as tf # ************************* gather()根据索引提取数据 ***************************** a = tf.range(5) print('原张量a:',a) b = tf.gather(a,indices = [0,1,4]) print('根据索引提取出的数据b为:\n',b) a = t
a = tf.constant([1,5],dtype=tf.int64) b = np.arange(0,5) c = tf.convert_to_tensor(b) d = tf.ones([3,4]) e = tf.random.normal([3,3]) f = tf.random.truncated_normal([4,2],mean=0.5,stddev=1) #更符合 g = tf.random.uniform([2, 2], minval=0, maxval=1)#tf.Tens
本人人工智能初学者，现在在学习TensorFlow2.0，对一些学习内容做一下笔记。笔记中，有些内容理解可能较为肤浅、有偏差等，各位在阅读时如有发现问题，请评论或者邮箱（右侧边栏有邮箱地址）提醒。 若有小伙伴需要笔记的可复制的html或ipynb格式文件，请评论区留下你们的邮箱，或者邮箱（右侧边栏有邮
这几天想要学习一下机器学习和物体检测，没想到却在安装和环境配置的地方卡了好久。 现如今把问题记录下来，希望以后看到的朋友可以少走弯路。 安装部分主要是参照两篇博客： https://blog.csdn.net/dy_guox/article/details/79081499 【安装并测试自带样例】 https://blog.csdn.net/we
import matplotlib as mplimport matplotlib.pyplot as pltimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport timeimport tensorflow as tf#使用sklearn库的数据归一化模块from sklearn.preprocessing import StandardScalerfrom tensorflow import
1.InceptionV3网络结构 论文：《Rethinking the Inception Architecture for Computer Vision》 论文链接：https://arxiv.org/abs/1512.00567 在2015年，谷歌发布了Inception V3版本，Inception V3 的创新点是将大的卷积分解成小卷积，即 5x5 卷积可以用两个 3x3 卷积代替（Inception
VGG16网络 论文链接：https://arxiv.org/abs/1409.1556 VGG网络是在2014年由牛津大学计算机视觉组和谷歌公司的研究员共同开发的。VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用最大池化分开，所有隐层的激活单元都采用ReLU函数。通过反复堆叠3x3的小卷积核和2
1.打开Anaconda Prompt 2.pip install tensorflow==2.0 -i https://pypi.douban.com/simple 过程出现选择,选y，最后等待完成安装。 3.测试 4.在pycharm中找到上面路径的anaconda3下的python.exe，完成设置。
三种思路构建mnist图像识别模型 模型很简单，主要让大家区分三种建模思路的区别，直接上代码： import tensorflow as tf fashion = tf.keras.datasets.fashion_mnist (x_train, y_train),(x_test, y_test) = fashion.load_data() x_train, x_test = x_train / 255.0, x_test / 2
近期很多小伙伴询问我如何安装GPU版本tensorflow，其实特别简单。首先你的电脑一定要有NVIDIA显卡，算力现在的电脑应该普遍满足，不做考虑。 看到网上有许多GPU安装的方法，倍感麻烦，在此做简单安装介绍。 第一步：下载cuda10.0和cudnn 点我获取，提取码：e8fu cuda10.0安装其实直接默认即
根据前面的基础知识，可以开始第一个神经网络的搭建，主要学习的资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记 TensorFlow2.0入门学习笔记(5)——构建第一个神经网络，鸢尾花分类问题（附源码） 1.问题背景 问题描述 人们通过经验总结出的
1.构建一个简单的网络层 from __future__ import absolute_import, division, print_function import tensorflow as tf tf.keras.backend.clear_session() import tensorflow.keras as keras import tensorflow.keras.layers as layers # 定义网络层就是：设置网络权重和输
安装好tensorflow2.0之后，当使用Session时，报错AttributeError: module 'tensorflow' has no attribute 'Session'： 源代码： import tensorflow as tf import os os.environ["CUDA_VISIBLE_DEVICES"]="0" a=tf.constant(2) b=tf.constant(3) with
tf.keras的回调函数实际上是一个类，一般是在model.fit时作为参数指定，用于控制在训练过程开始或者在训练过程结束，在每个epoch训练开始或者训练结束，在每个batch训练开始或者训练结束时执行一些操作，例如收集一些日志信息，改变学习率等超参数，提前终止训练过程等等。 同样地，针对model.eva
有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。 TensorFlow 2.0主要使用的是动态计算图和Autograph。 动态计算图易于调试，编码效率较高，但执行效率偏低。 静态计算图执行效率很高，但较难调试。 而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利
1、准备数据 cifar2数据集为cifar10数据集的子集，只包括前两种类别airplane和automobile。 训练集有airplane和automobile图片各5000张，测试集有airplane和automobile图片各1000张。 cifar2任务的目标是训练一个模型来对飞机airplane和机动车automobile两种图片进行分类。 我们准备
最近在学习目标检测相关知识，在这里记录一下自己的学习心得及笔记 一、算法原理 yolo是根据已经给定的5个anchor来计算精度，利用预测得到的box和5个anchor中重合率最高的那个来计算loss，输出的shape为[b,16,16,5,7],其中b为图片数量，16为feature map的尺寸（自己设置），5为box的数量，7
这是本人从零到一学习深度学习的第一篇记录,也不知道能写出多少学习记录,也不知道能学到多少,总之记录下自己的学习过程,遇坑过程,一切跟深度学习的过程都会一一记录,一方面给自己回头看的一点念想,另一方面给其他同学参考,按这一篇就可以解决对应的问题. 2020年3月9日 by 第一
Tensorflow2.0下载与环境配置请参考：TF2.0环境配置 程序清单 import tensorflow as tf from tensorflow.keras import layers, optimizers, datasets, Sequential, metrics # 导入TF子库 # 1.数据集准备 (x, y), (x_val, y_val) = datasets.mnist.load_data() # 加载数据
看的视频——https://www.bilibili.com/video/av79196096?p=23 优化方法———sgd与adm: https://www.cnblogs.com/guoyaohua/p/8542554.html sgd——随机梯度下降，比其它算法用的时间长，而且可能会被困在鞍点 adm——增加了动量（指数加权平均），在梯度不变的方向速度变快，梯度变化
实例：1 + 1/2 + 1/2^2 + 1/2^3 + … + 1/2^50 tensorflow1 导包，看版本 import tensorflow as tf print(tf.__version__) 定义变量 x = tf.Variable(0.) y = tf.Variable(1.) 定义计算图 # x = x + y add_op = x.assign(x + y) # y = y / 2 div_op = y.assign(y / 2)
tensorflow2.0快速安装教程 tensorflow融合了keras使用更方便了。直接上干货。 1、安装Anaconda3-2019.10-windows-x86_64(在清华园下载，https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.10-Windows-x86_64.exe） 2、用管理员身份打开cmd命令行窗口（这个
TensorFlow是开发深度学习算法的主流框架，近来随着keras和pytorch等框架的崛起，它受到了不小挑战，为了应对竞争它本身也在进化，最近新出的2.0版本使得框架的应用更加简易和容易上手，本节我们就如何使用它2.0版本提出的eager模式进行探讨，在后面章节中我们将使用它来开发较为复杂的
