随笔分类 - 4_深度学习（keras、tersorflow2、数据集、pytorch、深度学习花书等）
摘要：《python深度学习》笔记 5.2-3、猫狗分类（基本模型） 一、总结 一句话总结： 模型的话也是比较普通的卷积神经网络，就是图像数据用的生成器：ImageDataGenerator 1、ImageDataGenerator.flow_from_directory常用参数的意思？ |||-begi
阅读全文
摘要：keras的图像预处理ImageDataGenerator类 一、总结 一句话总结： 【图片生成器-“喂”一个batch_size大小的样本数据】：ImageDataGenerator()是keras.preprocessing.image模块中的图片生成器，可以每一次给模型“喂”一个batch_s
阅读全文
摘要：setting an array element with a sequence 一、总结 一句话总结： 报错原因：矩阵的列没有对齐，有的多，有的少 二、setting an array element with a sequence 转自或参考： 原因与解决： 矩阵的列没有对齐，一般情况用这个方法
阅读全文
摘要：【tensorflow2.0】模型层layers 一、总结 一句话总结： Bidirectional：双向循环网络包装器。可以将LSTM，GRU等层包装成双向循环网络。从而增强特征提取能力。 x = layers.Bidirectional(layers.LSTM(settings.LSTM_UNI
阅读全文
摘要：TensorFlow与PyTorch比较 一、总结 一句话总结： 谷歌的 Tensorflow（2015） 与 Facebook 的 PyTorch（2017），都是开源的 PyTorch 和 TensorFlow 的关键差异是它们执行代码的方式。这两个框架都基于基础数据类型张量（tensor）而工
阅读全文
摘要：Tensorflow2（预课程） 11.3.2、（a）循环神经网络实现股票预测（GRU） 一、总结 一句话总结： 这个应用不看准确率（这里不是分类问题），看loss就好了，loss低的话，预测自然准 # 构建容器 model = tf.keras.Sequential() # 输入层 model.a
阅读全文
摘要：UnkownError:Fail to find the dnn implementation. 解决方案 一、总结 一句话总结： 这意思是cudnn分配不出更多的运算资源了 二、UnkownError:Fail to find the dnn implementation. 解决方案及附加问题 转
阅读全文
摘要：tensorflow2训练报数据输入错误Failed to find data adapter 一、总结 一句话总结： 问题原因：是没有将数据（y_train、y_test）转为numpy 二、tensorflow2.0训练报数据输入错误Failed to find data adapter 转自或
阅读全文
摘要：Tensorflow2（预课程） 11.3、循环神经网络实现股票预测（GRU） 一、总结 一句话总结： 将SimpleRNN层换成GRU层即可，其它一样，非常简单 # 测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数] x_test
阅读全文
摘要：Tensorflow2（预课程） 11.2、循环神经网络实现股票预测（LSTM） 一、总结 一句话总结： 将SimpleRNN层换成LSTM层即可，非常简单 # 测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数] x_test, y
阅读全文
摘要：Tensorflow2（预课程） 11.1、循环神经网络实现股票预测 一、总结 一句话总结： 用了两个SimpleRNN，后面接Dropout，最后是一个dense层输出结果 model = tf.keras.Sequential([ SimpleRNN(80, return_sequences=T
阅读全文
摘要：Tensorflow2（预课程） 9.2、循环神经网络实现输入一个字母，预测下一个字母（embedding） 一、总结 一句话总结： 加上Embedding层即可，数据的输入维度变一下 print(x_train) print(y_train) [[0] [3] [2] [1] [4]] [1 4
阅读全文
摘要：Tensorflow2（预课程） 10.1、循环神经网络实现4个字母预测1个字母 一、总结 一句话总结： 网络还是一样的网络，输入数据变了而已：model = tf.keras.Sequential([SimpleRNN(3),Dense(5, activation='softmax')]) pri
阅读全文
摘要：Tensorflow2（预课程） 9.1、循环神经网络实现输入一个字母，预测下一个字母 一、总结 一句话总结： model = tf.keras.Sequential([SimpleRNN(3),Dense(5, activation='softmax')]) 二、循环神经网络实现输入一个字母，预测
阅读全文
摘要：200813_tensorflow2 6、LSTM的用途（杂） 一、总结 一句话总结： 长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的
阅读全文
摘要：Tensorflow2（预课程） 7.6、cifar10分类-层方式-卷积神经网络-Inception10 一、总结 一句话总结： InceptionNet：一层内使用不同尺寸卷积核，提升感知力使用批标准化，缓解梯度消失 InceptionNet：1、1*1卷积；2、3*3卷积+1*1卷积；3、5*
阅读全文
摘要：CIFAR-10图片分类准确率网站 一、总结 一句话总结： https://paperswithcode.com/sota/image-classification-on-cifar-10 二、CIFAR-10图片分类准确率网站 博客对应课程的视频位置：
阅读全文
摘要：Tensorflow2（预课程） 7.7、cifar10分类-层方式-卷积神经网络-ResNet18 一、总结 一句话总结： 可以看到ResNet18得到的结果比较稳定，测试集准确率在81左右，感觉batchsize好像对准确率有影响 # 构建容器 model = tf.keras.Sequenti
阅读全文
摘要：Keras kernel_initializer 一、总结 一句话总结： (1)、keras不同的层可能使用不同的关键字来传递初始化方法，一般来说指定初始化方法的关键字是kernel_initializer 和 bias_initializer (2)、model.add(Conv2D(64,(3,
阅读全文
摘要：model.fit中的callbacks是做什么的 一、总结 一句话总结： keras的callback参数可以帮助我们实现在训练过程中的适当时机被调用。实现实时保存训练模型以及训练参数。 二、keras深度训练1:fit和callback 转自或参考：keras深度训练1:fit和callback
阅读全文
浙公网安备 33010602011771号