安装环境：Windows 10 64bitGPU: GeForce gt 720Python: 3.5.3CUDA: 8 首先下载Anaconda3的Win10 64bit版，安装Python3.5版本。因为目前TensorFlow对Windows只支持Python3.5。可以直接下载Anaconda的安装包安装即可，一般不会有问题。（清华镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）TensorFlow 有两个版本：CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持，CPU 版本不需要。如果你要安装 GPU 版本，...
cpucentosFROM centos:7 MAINTAINER yon RUN yum -y install make wget && wget -O /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo && wget -P /etc/yum.repos.d/ http://mirrors.aliyun.com/repo/epel-7.repo && yum clean all && yum makecacheRUN yum -y install zlib-devel bzip2-devel opens...
一、讲解 二、代码import tensorflow as tf from tensorflow.python.keras import datasets, layers, optimizers, Sequential, metrics from tensorflow.python import keras import osos.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘def preprocess(x, y):"""x is a simple image, not a batch:param x::param y::return:"""x = tf.cast(x, dtype=tf.float32) / 255.x = tf.reshape(x, [28*28])y = tf.cast(y, dtype=tf.i...
前面已经使用TensorFlow2的原生代码搭建神经网络，接下来将使用keras搭建神经网络，并改写鸢尾花分类问题的代码，将原本100多行的代码用不到20行代码实现。用TensorFlow API：tf.keras搭建网络使用Sequential六步法：import，相关模块train, test，指定训练集的输入特征，和训练集的标签model = tf.keras.models.Sequential，搭建网络结构,（顺序神经网络）model.compile，配置训练方法model.fit，执行训练model.summary，打印出网...
conda+豆瓣源配置tensorflow+keras环境安装anaconda打开Anaconda Prompt创建虚拟环境conda create -n myenv python=3.5 activate myenv 安装dependencypip install keras==2.0.8 -i https://pypi.douban.com/simple/ pip install tensorflow==1.1 -i https://pypi.douban.com/simple/ pip install opencv-python -i https://pypi.douban.com/simple/ (主义新版 keras 和 tensorflow可能会有代码兼容问题建议安装以上版本) 5. 输...
自定义tf.keras.Model需要注意的点model.save()subclass Model 是不能直接save的，save成.h5，但是能够save_weights，或者save_format="tf"NotImplementedError: Saving the model to HDF5 format requires the model to be a Functional model or a Sequential model. It does not work for subclassed models, because such models are defined via the body of a Python method, which isn't safely serializable. Consider sav...
一、Keras五大功能 二、评估指标用法 有一个现成的准确度的meter就是 m e t r i c s . A c c u r a c y ( ) metrics.Accuracy()metrics.Accuracy()。如果只是简单的求一个平均值的话，有一个更加通用的meter就是 m e t r i c s . M e a n ( ) metrics.Mean()metrics.Mean()。三、步骤 四、实战需要注意的是：这里我们不仅使用了acc_meter方法，我们自己实现了类型acc_meter的方法，怎么实现呢，我们有这样的一个变量叫做total...
Ubuntu16.04深度学习基本环境搭建，tensorflow , keras , pytorch , cudaUbuntu16.04安装参考https://blog.csdn.net/flyyufenfei/article/details/79187656安装nvidia驱动sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update选择安装驱动 ubuntu-drivers devices查看自己显卡对应的驱动型号，可在nvidia官网查询 sudo apt install nvidia-410通过以下命令查看是否安装成功nvidia-smi 安装cuda,可选方式3种1.直接安装...
树莓派实现垃圾分类【深度学习图像识别】：keras+tensorflow 1.配置好ssh和vnc之后，换源：2.python虚拟环境配置3.安装tensorflow1.14.04.安装keras5.开始测试；import keras前面加import os就能忽略提示。 系统环境：2020-08-20-raspios-buster-armhf-full 工程要求：Tensorflow 1.14.0 + Keras 2.2.4 + Python 3.7 1.配置好ssh和vnc之后，换源： 第一步，先备份源文件 sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak ...
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 第一段代码 <这个安装 看了好多人的安装博客,最后理顺和整合了一下,讲到底看我这一篇搭建深度学习环境就足够了,按步骤走完安装Tensorfllow2.0-GPU/CPU+Keras环...
搭建网络八股步骤 Import Train, test Model = tf.keras.models.Sequential 搭建网络结构 Model.compile 配置训练参数，告知优化器、损失函数、评测指标 Model.fit 配置训练过程，告知训练集的输入特征和标签、batch、迭代次数 Model.summary 具体步骤 1.Model = tf.keras.models.Sequential([网络结构]) 描述各层网络 网络结构举例： 拉直层：tf.kears.layers.Flatten() 全连接层：tf.kears.layers.Dense(神经元个数，activation=...
加载cifar10图片集并准备将图片进行灰度化 from keras.datasets import cifar10def rgb2gray(rgb):#把彩色图转化为灰度图，如果当前像素点为[r,g,b],那么对应的灰度点为0.299*r+0.587*g+0.114*breturn np.dot(rgb[...,:3], [0.299, 0.587, 0.114])(x_train, _),(x_test, _) = cifar10.load_data()img_rows = x_train.shape[1] img_cols = x_train.shape[2] channels = x_train.shape[3]#将100张彩色原图集合在一起显示 imgs = x_t...
from keras.layers import SimpleRNN model = Sequential() model.add(embedding_layer) model.add(SimpleRNN(32)) #当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值 model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accurac...
from keras.layers import LSTM model = Sequential() model.add(embedding_layer) model.add(LSTM(32)) #当结果是输出多个分类的概率时，用softmax激活函数,它将为30个分类提供不同的可能性概率值 model.add(layers.Dense(len(int_category), activation=softmax))#对于输出多个分类结果，最好的损失函数是categorical_crossentropy model.compile(optimizer=rmsprop, loss=categorical_crossentropy, metrics=[accuracy]) histor...
from keras.layers import model = Sequential() model.add(embedding_layer) #使用一维卷积网络切割输入数据，参数5表示每各个单词作为切割小段 model.add(layers.Conv1D(32, 5, activation=relu)) #参数3表示，上层传下来的数据中，从每3个数值中抽取最大值 model.add(layers.MaxPooling1D(3)) #添加一个有记忆性的GRU层，其原理与LSTM相同，运行速度更快，准确率有所降低 model.add(layers.GRU(32, dropout=0.1))model.add(lay...