随笔分类 - 4_深度学习（keras、tersorflow2、数据集、pytorch、深度学习花书等）
摘要：Tensorflow2（预课程） 7.4、cifar10分类-层方式-卷积神经网络-AlexNet8 一、总结 一句话总结： cifar10用AlexNet训练一下，测试集成功率有74 # 构建容器 model = tf.keras.Sequential() # 卷积层 一 model.add(tf
阅读全文
摘要：Tensorflow2（预课程） 5.3.2、手写数字识别-层方式-卷积神经网络-LeNet-5稍改 一、总结 一句话总结： 对LeNet稍微改变，改变激活函数为Relu，加上dropout层，50epoch测试集准确率有99.4+，多训练，准确率会更高 # 用到卷积神经网络的时候，需要把训练和测试
阅读全文
摘要：Tensorflow2（预课程） 5.3、手写数字识别-层方式-卷积神经网络-LeNet 一、总结 一句话总结： LeNet本来就是做手写识别的，所以用来做手写数字识别，测试集准确率有99.25 # 用到卷积神经网络的时候，需要把训练和测试的x的颜色通道数指出来 train_x = tf.resha
阅读全文
摘要：Tensorflow2（预课程） 7.3、cifar10分类-层方式-卷积神经网络-简化LeNet 一、总结 一句话总结： 全连接层前面是两个卷积层，第一个是6@5*5，第二个是16@5*5，激活函数是sigmoid，没有批标准化，没有dropout # 构建容器 model = tf.keras.
阅读全文
摘要：Tensorflow2（预课程） 5.2、手写数字识别-层方式-卷积神经网络 一、总结 一句话总结： 一、用到卷积神经网络的时候，需要把训练和测试的x的颜色通道数指出来 二、train_x = tf.reshape(train_x,[-1,28,28,1]) 三、test_x = tf.reshap
阅读全文
摘要：Keras深度学习之卷积神经网络（CNN） 一、总结 一句话总结： 卷积就是特征提取，后面可接全连接层来分析这些特征 二、Keras深度学习之卷积神经网络（CNN） 转自或参考：Keras深度学习之卷积神经网络（CNN）https://www.cnblogs.com/wj-1314/articles
阅读全文
摘要：keras中添加正则化 一、总结 一句话总结： model.add(Dense(64, input_dim=64,kernel_regularizer=regularizers.l2(0.01)) 1、keras正则化几个关键字？ kernel_regularizer：施加在权重上的正则项，为ker
阅读全文
摘要：Tensorflow2（预课程） 7.2、cifar10分类-层方式-卷积神经网络 一、总结 一句话总结： 卷积层构建非常简单，就是CBAPD，注意卷积层接全连接层的时候注意flatten打平 # 构建容器 model = tf.keras.Sequential() # 卷积层 model.add(
阅读全文
摘要：200813_tensorflow2 9、卷积神经网络就是CBAPD（杂） 一、总结 一句话总结： 卷积就是特征提取器，就是C（卷积层）B（批标准化层）A（激活层）P（池化层）D（dropout层） model=tf.keras.models.Sequential([ Conv2D(filters=
阅读全文
摘要：200813_tensorflow2 8、keras中常用的layer层（杂） 一、总结 一句话总结： 拉直层：tf.keras.layers.Flatten（） 全连接层：tf.keras.layers.Dense（神经元个数，activation=“激活函数“，kernel_regularize
阅读全文
摘要：Tensorflow2（预课程） 8.1、cifar100分类-层方式 一、总结 一句话总结： 全连接神经网络做cifar100分类不行，简单测试一下，准确率才20%，需要换别的神经网络 二、cifar100分类-层方式 博客对应课程的视频位置： 步骤 1、读取数据集 2、拆分数据集（拆分成训练数据
阅读全文
摘要：Tensorflow2（预课程） 7.1、cifar10分类-层方式 一、总结 一句话总结： 可以看到，用全连接层神经网络来对cifar10分类的时候，准确率只有50%左右，可以用卷积神经网络，准确率应该高很多 1、rgb3通道图片处理？ 也是一样打平：model.add(tf.keras.laye
阅读全文
摘要：Tensorflow2（预课程） 6.1、fashion minist（服装分类）识别-层方式 一、总结 一句话总结： fashion minist数据集和minist数据集非常像，所以模型也可以直接用minist的，训练的效果还不错 二、fashion minist（服装分类）识别-层方式 博客对
阅读全文
摘要：Fashion MNIST数据集介绍 一、总结 一句话总结： 甲)、Fashion-MNIST和mnist数据集非常相似，都是60000训练10000测试，图片也都是28*28 乙)、不过mnist是手写数字0-9分类，Fashion MNIST是服装的分类（T恤、衣服、裤子、鞋子等） 二、Fash
阅读全文
摘要：Tensorflow2（预课程） 5.1、手写数字识别-层方式 一、总结 一句话总结： 1、记得归一化：train_x = train_x/255 2、one_hot编码之后，损失函数是：categorical_crossentropy 3、输入数据记得打平：model.add(tf.keras.l
阅读全文
摘要：Tensorflow2（预课程） 4.1、逻辑回归实例-层方式 一、总结 一句话总结： 可以看到，相比于mse损失函数，cross entropy函数无论是收敛速度，还是最后的测试集的准确率都更加优秀 # 构建容器 model = tf.keras.Sequential() # 输出层 model.
阅读全文
摘要：如何将tensor大于某个值为1，小于某个值为0 一、总结 一句话总结： 可用tf.where方法，tf.where(pridict_y>0.5,x=1,y=0)表示大于0.5取1，否则取 二、如何将tensor大于某个值为1，小于某个值为0 转自或参考：如何将tensor大于某个值为1，小于某个值
阅读全文
摘要：Tensorflow2疑难问题 3、大于某个值为1，小于某个值为0 一、总结 一句话总结： 可用tf.where方法，tf.where(pridict_y>0.5,x=1,y=0)表示大于0.5取1，否则取0 二、大于某个值为1，小于某个值为0 博客对应课程的视频位置：3、大于某个值为1，小于某个值
阅读全文
摘要：Tensorflow2（预课程） 3.1、Iris分类-层方式 一、总结 一句话总结： 我们可以很清楚的发现，输入是4维，输出是1维，并且输出是分类问题，分3类（one_hot编码后），所以对应模型可以弄成4->n->3 # 构建容器 model = tf.keras.Sequential() #
阅读全文
摘要：Jupyter notebook Tensorflow GPU Memory 释放 一、总结 一句话总结： Jupyter notebook 每次运行完tensorflow的程序，占着显存不释放。而又因为tensorflow是默认申请可使用的全部显存，就会使得后续程序难以运行。 二、Jupyter
阅读全文
浙公网安备 33010602011771号