擅长python，theano，keras框架，求大神介绍一些新鲜的好玩的论文，注：画画的已经实现了。
基于tensorflow2.x版本python代码实现深度学习回归预测（以lstm为例） 代码实现（能直接跑通本文中的代码） import os import tensorflow as tf import numpy as np from tensorflow import keras from general import *#import tensorflow as tf #from tensorflow import keras from keras.models import Sequential from keras.layers import * #from general import *tf.random.set_seed(22) np.random.seed(22) os.environ...
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=...
参考链接： Keras中的深度学习-数据预处理 Keras-Sematic-Segmentation 使用Keras实现深度学习中的一些语义分割模型。 配置 tensorflow 1.13.1+tensorboard keras 2.2.4 GTX 2080Ti x 2 Cuda 10.0 + Cudnn7 opencv-python labelme(标注数据需要用) 目录结构 data 存储输入图像和语义分割标签的文件夹 - data - dataset_name - train_image - train_label - test_image - test_label Models 存储使用keras实现...
实验一：Perceptron（感知机） 1.实验要求 Define a two-class problem, including 30 positive data and 30 negative data. Write the code of perceptron using Python. 2.实验过程 （1）定义一个二分类问题： 设置数据集有60个点，30个正样本，30个负样本，训练感知机将正样本和负样本正确分类，用一条线可视化分类结果。 简单起见，将坐标都设置为整数，坐标横坐标在6及其以下的为正样本，...
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 Dense, Input from keras.layers import Conv2D, Flatten from keras.layers import Reshape, Conv2DTranspose from keras.models import Model from keras.datasets import mnist from keras import backend as Kimport numpy as np import matplotlib.pyplot as plt#加载手写数字图片数据 (x_train, _), (x_test, _) = mnist.load_data() image_size = x_train.shape[1]#把图片大小统一转换成28*28,并把...
from keras.datasets import imdb #num_words表示加载影评时，确保影评里面的单词使用频率保持在前1万位，于是有些很少见的生僻词在数据加载时会舍弃掉 (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)print(train_data[0]) print(train_labels[0])#频率与单词的对应关系存储在哈希表word_index中,它的key对应的是单词，value对应的是单词的频率 word_index = imdb.get_word_index() #我...
6.3循环神经网络的高级用法 在这一节中，我们将回顾三种先进技术来提高递归神经网络的性能和泛化能力。在本节结束时，您将了解关于使用Keras的递归网络所知道的大部分内容。我们将展示一个天气预报问题的所有三个概念，在那里我们可以访问来自安装在建筑物屋顶上的传感器的数据点的时间，例如温度、气压和湿度，我们用来预测在收集最后一个数据点后24小时的温度。这是一个相当具有挑战性的问题，举例说明了在使用时间序列时遇到的许...
下载：https://pan.baidu.com/s/1nk1IHMUYbcuk1_8tj6ymog 《深度学习入门：基于Python的理论与实现》高清中文版PDF+源代码 高清中文版PDF，314页，带目录标签，可复制粘贴，高清晰。配套源代码。 深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。 其中，高清...
下载：https://pan.baidu.com/s/1nk1IHMUYbcuk1_8tj6ymog 《深度学习入门：基于Python的理论与实现》高清中文版PDF+源代码 高清中文版PDF，314页，带目录标签，可复制粘贴，高清晰。配套源代码。 深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。 其中，高清...
随着深度学习的崛起，极大的推动了图像领域的发展，在提取特征这方面而言，神经网络目前有着不可替代的优势。之前文章中我们也介绍了图像检索往往是基于图像的特征比较，看特征匹配的程度有多少，从而检索出相似度高的图片。而检测图像特征，VGG16具有得天独厚的优势。 接下来本文将会通过一个简单的案例来实现一个基于深度学习的图像检索小工具。 准备工作 老样子，先来准备好我们此次需要使用到的工具：IDE：Pycharm Python：3.7...
# -*- coding: utf-8 -*- import numpy as np from scipy.cluster.hierarchy import dendrogram, linkage, fcluster from matplotlib import pyplot as pltdef hierarchy_cluster(data, method='average', threshold=5.0):'''层次聚类Arguments:data [[0, float, ...], [float, 0, ...]] -- 文档 i 和文档 j 的距离Keyword Arguments:method {str} -- [linkage的方式： single、complete、average、centroid、median、ward] (defau...
《Python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦?肖莱（Franois Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文...
!mkdir /content/gdrive/My Drive/conversation 将文本句子分解成单词，并构建词库 path = /content/gdrive/My Drive/conversation/ with open(path + question.txt, r) as fopen:text_question = fopen.read().lower().split(\n) with open(path + answer.txt, r) as fopen:text_answer = fopen.read().lower().split(\n)concat_question = .join(text_question).split() vocabulary_size_question = len(list(set(concat_questi...