06 2019 档案
摘要：My version of numpy (1.16.4) has the default value of allow_pickle as False. numpy版本是1.16.4，allow_pickle默认值是False，但值为True时才能下载该数据集。 Solution 解决方案： Dow
阅读全文
摘要：deleted ~/.cache/matplotlib/fontList.cache 但是，当我准备删的时候，再import matplotlib时时没有出错,不知道具体的原因是什么
阅读全文
摘要：打开终端-选择配置文件首选项 打开,选择快捷键,自行修改
阅读全文
摘要：方法1: 按 print screen sysrq 方法2: 系统设置 选择键盘 选择快捷键窗口 选择截图 按照自己的习惯更改快捷键即可.
阅读全文
摘要：>>> x = 1 >>> not x False >>> x = [1] >>> not x False >>> x = 0 >>> not x True >>> x = [0] # You don't want to fall in this one. >>> not x False 在pyth
阅读全文
摘要：Lenet 神经网络在 Mnist 数据集上的实现，主要分为三个部分：前向传播过程（mnist_lenet5_forward.py）、反向传播过程（mnist_lenet5_backword.py）、 测试过程（mnist_lenet5_test.py）。 第一，前向传播过程（mnist_lenet
阅读全文
摘要：Lenet 神经网络结构为： ①输入为 32*32*1 的图片大小，为单通道的输入； ②进行卷积，卷积核大小为 5*5*1，个数为 6，步长为 1，非全零填充模式； ③将卷积结果通过非线性激活函数； ④进行池化，池化大小为 2*2，步长为 1，全零填充模式； ⑤进行卷积，卷积核大小为 5*5*6，个
阅读全文
摘要：由于换了电脑,ubuntu是重新下载的，因此记录一些相关数据集的搭建； 首先是data数据集，在第七讲中 我们需要建立data文件夹，并将数据集放进去 再就是model模型 我们应该新建一个model文件夹（只需要新建就行），不要复制前面文件夹；会出现下面错误 在断点续训中讲过，如果复制之前的文件夹
阅读全文
摘要：今天换了电脑，重新安装视频中软件，发现没记录很麻烦，还是记录以下步骤吧 打开终端输入指令：python，如图1所示，我的系统是ubuntu16.04.03，默认安装的python版本为2.7.12。 若python版本为2.7，则输入如下命令： sudo apt-get install python
阅读全文
摘要：详细步骤如下： 前面板： 1.在数组面板中选取簇，改名为温度设定 2.添加数值输入控件并改名为温度上限设定 添加水平摇杆开关，改名为温度选择 添加停止按钮 在添加一个簇，改名 在控件-数值中选取温度计 添加三个数值显示控件，并依次改名 添加2个布尔按钮，并改名 复制一个温度显示仪表，并转换为输入控件
阅读全文
摘要：从上篇博客中，我们可以了解搭建卷积神经网络的基础步骤 数据输入层/ Input layer • 卷积计算层/ CONV layer • ReLU激励层 / ReLU layer • 池化层 / Pooling layer • 全连接层 / FC layer 1.数据输入层该层要做的处理主要是对原始图
阅读全文
摘要：在之前的视频学习中，我们使用的模型被称为全连接神经网络。 全连接 NN：每个神经元与前后相邻层的每一个神经元都有连接关系，输入是特征，输出为预测的结果。 参数个数：∑（前层 × 后层 + 后层） 这只是一张28*28的黑白图片，在实际生活中，更多的则是RGB格式的彩色图像，像素点更多，且为红绿蓝三通
阅读全文
摘要：在虚拟机窗口的虚拟机-安装VMware Tools,点击安装，直到安装完成，出现以下界面 在主文件夹中新建VM文件夹，将VMware Tools中的VMwareTools-10.0.10-4301679.tar.gz复制到VM文件夹。然后选择提取到此文件中，如图 打开终端：cd vm ls cd v
阅读全文
摘要：每个正在系统上运行的程序都是一个进程。每个进程包含一到多个线程。进程也可能是整个程序或者是部分程序的动态执行。线程是一组指令的集合，或者是程序的特殊段，它可以在程序里独立执行。也可以把它理解为代码运行的上下文。所以线程基本上是轻量级的进程，它负责在单个程序里执行多任务。通常由操作系统负责多个线程的调
阅读全文
摘要：1、数据集生成读取文件（mnist_generateds.py） tfrecords 文件 1）tfrecords：是一种二进制文件，可先将图片和标签制作成该格式的文件。使用 tfrecords 进行数据读取，会提高内存利用率。 2）tf.train.Example: 用来存储训练数据。训练数据的特
阅读全文
摘要：数据集地址： 测试集地址： 代码如下： forward.py mnist_backward.py mnist_generateds.py test.py mnist_app.py 在视频中mnist_generateds.py中，加上.data的路径；如果不加会报错； 结果： 会发现对于视频中老师的
阅读全文
摘要：在自定义数据集中： 从上述代码可以看出，tf.train.Example中包含了属性名称到取值的字典，其中属性名称为字符串，属性的取值可以为字符串（BytesList）、实数列表（FloatList）或者整数列表（Int64List）。 一般tf.train.Int64List tf.train.F
阅读全文
摘要：前面主要实现了手写数字输出识别结果，下面谈谈对其的理解； 在反向传播backward函数中，读入mnist函数集 其余步骤与mnist手写数字识别准确率一致 最重要步骤：mnista_app.py中 任务分成两个函数完成 1）testPicArr = pre_pic(testPic)对手写数字图片做
阅读全文
摘要：前面学习里了mnist 数据集的识别源码解析，从已有的数据集中判别对应的结果。 那如果想输入一个数字图片，就能得到相应的结果，并判别对应的结果该如何做呢？ 首先，我们看一看实现原理： 网络输入：1*784个像素点；像素点：0~1之间的浮点数（接近0越黑，接近1越白） 网络输出：一维数组（十个可能性概
阅读全文
摘要：断点续训：在进行神经网络训练过程中由于一些因素导致训练无法进行，需要保存当前的训练结果下次接着训练全连接反向传播神经网络中，训练过程的代码如下： 关键处理：加入 ckpt 操作： ckpt = tf.train.get_checkpoint_state(MODEL_SAVE_PATH) if ckp
阅读全文
摘要：代码 APB Devices Clock Enable Control Register 0 :APB设备时钟启用控制寄存器0 outpw(REG_CLK_PCLKEN0, inpw(REG_CLK_PCLKEN0) | (1 << 4)); //REG_CLK_PCLKEN0的 SYS_GPB_M
阅读全文
摘要：先弄清楚定义，HZ是频率的单位，而s是周期的单位；而f=1/T。 故1hz=1s；5hz=1/5=0.02s; 占空比 占空比(Duty Ratio)在电信领域中有如下含义: 在一串理想的脉冲序列中(如方波)，正脉冲的持续时间与脉冲总周期的比值。 例如:脉冲宽度1μs，信号周期4μs的脉冲序列占空比
阅读全文
摘要：在基本跑完识别代码后，再来谈一谈自己对代码的理解； 1 前向传播过程文件（mnist_forward.py） 第一个函数get_weight(shape, regularizer); 定义了w的初值和正则化损失加入losses中 第二个函数get_bias(shape): 对参数b进行设定 第三个函
阅读全文
摘要：前面一篇博客讲解了softmax函数，下面讲解一下这个代码的意思： 具体的执行流程大概分为两步： 1 第一步是先对网络最后一层的输出做一个softmax，这一步通常是求取输出属于某一类的概率，对于单样本而言，输出就是一个num_classes大小的向量（[Y1，Y2,Y3...]其中Y1，Y2，Y3
阅读全文
摘要：前面提到激活函数，在实现手写体 mnist 数据集的识别任务中的反向传播过程文件（mnist_backward.py） 用到了softmax函数，又称归一化指数函数。下面就谈谈我对其的理解。 它能将一个含任意实数的K维的向量z的“压缩”到另一个K维实向量σ(z) 中，使得每一个元素的范围都在(0,1
阅读全文
摘要：实现手写体 mnist 数据集的识别任务，共分为三个模块文件，分别是描述网络结构的前向传播过程文件（mnist_forward.py）、 描述网络参数优化方法的反向传播 过 程 文件 （ mnist_backward.py ）、 验证 模 型 准确 率 的 测试 过 程 文件（mnist_test.
阅读全文
摘要：mnist 数据集：包含 7 万张黑底白字手写数字图片，其中 55000 张为训练集，5000 张为验证集，10000 张为测试集。每张图片大小为 28*28 像素，图片中纯黑色像素值为 0，纯白色像素值为 1。数据集的标签是长度为 10 的一维数组，数组中每个元素索引号表示对应数字出现的概率。 在
阅读全文
摘要：前面的博客激活函数简要的了解了一下什么是激活函数，现在在正则化和神经网络模块化中突然遇到了激活函数，所以下面主要讲解一下我对激活函数的理解； 在前面代码y1 = tf.nn.relu(tf.matmul(x, w1) + b1)中，用到了激活函数 tf.nn.relu（); 那什么是激活函数呢？ 如
阅读全文
摘要：在前面的学习中,已经学习了最基本的神经网络搭建过程，现在来总结一下，将神经网络的搭建形成模块化。 前向传播：由输入到输出，搭建完整的网络结构 。即搭建模型的计算过程，可以根据输入给出相应的输出。 描述前向传播的过程需要定义三个函数 1. def forward(x, regularizer): w=
阅读全文
摘要：其中，data_list1：1行7列，data_list2：1行7列，data_list1：1行5列， 结果如下 简单地总结一下用法就是： np.r_是按行连接两个矩阵，就是把两矩阵上下相加，要求列数相等。 np.c_是按列连接两个矩阵，就是把两矩阵左右相加，要求行数相等。 np.r 要求行数相等,
阅读全文
摘要：超参数：在机器学习中，超参数是在开始学习过程之前定义的参数，而不是通过训练得到的参数； 过拟合：神经网络模型在训练数据集上的准确率较高，但此模型在新的数据进行预测或分类时准确率较低，则说明这个模型的泛化能力差。 正则化：在损失函数中给每个参数 w 加上权重，引入模型复杂度指标，从而抑制模型噪声，减小
阅读全文
摘要：在神经网络模型中，将 MOVING_AVERAGE_DECAY 设置为 0.99，参数 w1 设置为 0，w1 的滑动平均值设置为 0。 ①开始时，轮数 global_step 设置为 0，参数 w1 更新为 1，则 w1 的滑动平均值为： w1 滑动平均值=min(0.99,1/10)*0+(1–
阅读全文
摘要：对于随机梯度下降法，有前面的博客随机梯度下降法实例中可以看出，学习率的选取是很困难的，过大和过小都会出现问题；现在提出一种新方法来选取学习率。 每一轮： 代码为：
阅读全文
摘要：学习率 learning_rate：表示了每次参数更新的幅度大小。学习率过大，会导致待优化的参数在最 小值附近波动，不收敛；学习率过小，会导致待优化的参数收敛缓慢。 在训练过程中，参数的更新向着损失函数梯度下降的方向。 参数的更新公式为： 𝒘𝒏+𝟏 = 𝒘𝒏 − 𝒍𝒆𝒂𝒓𝒏𝒊�
阅读全文
摘要：1. 梯度 在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x, ∂f/∂y)T,简称grad f(x,y)或者▽f(x,y)。对于在点(x0,y0)的具体梯度向量就是(∂f/∂
阅读全文
浙公网安备 33010602011771号