神经网络,机器学习,可以说是现在最流行的计算机技术,TensorFlow是谷歌开源的机器学习框架,听起来就很高大上,很难学习,不幸的是国内的一些教程都是原文翻译谷歌官方教程,非常难以学习,所以本系列教程就是用比较容易懂的语言来教大家什么tensorflow。 首先tensorflow是一个深度学习的框架,其定义了一套神经网络机制,是用户可以在这套神经网络上开发自己的深度学
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、信息建模 在语义Web上,信息的建模主要通过三种语言来完成: RDF(资源描述框架)——定义了底层的数据模型,并且为语义Web层次结构图中其他更高层次的复杂特性奠定了基础。 RDF Schema(RDFS,RDF框架) OWL W
这是我见过讲解最详细最通俗易懂的决策树(二) 增益率 基尼指数 剪枝处理 预剪枝 后剪枝 我们在上一篇博文里面介绍了决策树的概念,讲到了什么是决策树,讲到了如何划分选择、讲到了何为信息增益等。今天我们继续之前的话题,首先讲解一下增益率。 如果您对上一篇博客的内容有所遗忘,请点击下面的连接 这是我见过讲解最详细最通俗易懂的决策树
这是我见过讲解最详细最通俗易懂的决策树(一) 基本流程 如何划分选择 总结 基本流程 我们在这篇文章没有公式,我们只谈决策树里面跟大家简单的介绍了决策树是个啥东西。今天我们将深入的介绍一下决策树。 首先决策树是一类常见的机器学习方法,以二分类任
参考图书: web3.0与Semantic Web编程(中文版) Web 3.0与Semantic Web编程 英文版 随书代码下载 一、程序环境准备——为以数据为中心的语义Web程序设计做好准备 1.1 什么是语义Web? 语义就是意思、含义。了解了数据的含义之后就能够更加有效地利用底层数据。语义Web就是一个数据网,这些数据以多种方式进行描述,相互链接形成上下文(语义关系),同时这
自2013年DeepMind的论文Playing Atari with Deep Reinforcement Learning中提出的DQN(Deep Q-Network)算法实现程序学习到如何打Atari游戏以来,深度强化学习迎来了大发展的时机。 2015年DeepMind发布的Human-level co
图像识别、目标检测、风格迁移 参考:https://blog.csdn.net/red_stone1/article/details/78651063 图像识别 卷积解决的问题:传统神经网络输入维度太大,导致网络结构太复杂,数据量相对不够,则出现过拟合,以及计算量太大。 每一张图片都是由3层(RGB)n ∗
本文将会讨论策略优化的数学基础,并且会附上简单的实践代码。三个要点 一个简单的等式,将策略梯度跟策略模型参数连接起来 一条规则,允许我们将无用的项从等式里去掉 另一条规则,允许我们在等式中添加有用的项 推导最简单的策略梯度 其中称为策略梯度,利用策略梯度来优化策略模型这种方法叫做策略梯度算法,例如VPG、TRPO。PPO
一、什么是knn算法 本章着重对算法部分进行讲解,原理部分不过多叙述,有兴趣的小伙伴可以自行查阅其他文献/文章 (一)、介绍 邻近算法,或者说K最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。
实战Omniglot数据集识别(手写数字MNIST升级版) 目录 实战Omniglot数据集识别(手写数字MNIST升级版) 经典方法 简单方法 最简单——无脑全连接 简单卷积网络 添加STN与inception 改变loss函数 加深网络 小样本学习 度量学习(met
数据集介绍 使用Fashion MNIST数据集,其中包含10个类别的70,000个灰度图像。图像显示了低分辨率(28 x 28像素)的单个衣物,如下所示(图片来自tensorflow官方文档): 图像是28x28 NumPy数组,像素值范围是0到255。标签是整数数组,范围是0到9。这些对应于图像表示的衣服类别:
一、什么是神经网络 神经网络是一种以人脑为模型的机器学习,简单地说就是创造一个人工神经网络,通过一种算法允许计算机通过合并新的数据来学习。 以人脑中的神经网络为启发,历史上出现过很多不同版本最著名的算法是1980年的 backpropagation 1、多层向前神经网络(Multilayer Feed-Forward Neural Network) &
一、什么是svm 支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解最大边距超平面(maximum-margin hyperplane) 。 1、支持向
目录 前言 卷积 傅里叶变换 信号的傅里叶变换 图的傅里叶变换 图卷积 GCN(图卷积神经网络) 第一代GCN 第二代GCN 总结 前言 在上一篇文章中我们介绍了图的部分概念以及最简单的图卷积方式,但这里的图卷积在实现起来还存在着一些问题,
引言 前面带大家搭建了一个简单的神经网络进行曲线拟合,现在通过大家对神经网络的初步了解,我们今天将进行更深入的学习。 正文 由于源码在前面几章公布了,所以有看不懂代码顺序或者不知道怎么拼接使用的可以直接去下载工程源码。话不多说,进入正题。 CNN(卷积神经网络)的核心基础 在写代码之前,我们先来了解一点卷积神经网络的核心基础,其中涉及卷积层、池化层、全连接层在神经
引言 这部分可以说是独立于我们整个项目的一小节,不过也是极为重要的一小节,这一节的学习可以帮助我们去了解神经网络。我们用一个很简单的例子进行参考,本节内容的知识参考了莫烦python的系列教程。 https://space.bilibili.com/243821484?spm_id_from=333.788.b_765f7570696e666f.1 好了,话不多说,我们进入学习。
引言 在前面部分的预处理中,我们总共完成了以下的功能,在图片中框出车牌部分,并将识别出来的车牌进行二值化处理,再进行字符分割。 到此,我们便可以进入pytorch的学习了,这一小节会教大家如何利用我们分割的字符来搭建神经网络数据集。我下面会逐块介绍代码,以防大家不知道如何拼接代码,我把整个工程放在下面云盘链接了,代码里需要修改一下路径参数,然后运行MAIN.py即可。 链接:ht
引言 接上篇,这部分是图像预处理的后百分之五十的工作,也就是把上期代码识别出的车牌进行字符分割。 下面进入正题~ 正文 在之前的教程中我们已经能够将识别出的车牌进行二值化处理了,本章节会介绍一种最简单的方法进行字符切割,当然有效的切割字符不是这个项目的目的,这个项目主要是针对pytorch的上手,下面我们开始介绍字符切割的步骤。 在对识别出的车牌进行滤波并二值化后
引言 接上篇,我们搭建完了环境,并下载好所需要的功能包后,我们需要对图像首先进行一个预处理,由于是教大家入门pytorch,因此CV部分的预处理方法会比较粗糙。 下面进入正题! 正文 由于仅仅是教学例程,我们就不利用摄像头采集图像了,直接百度一些带车牌的车的图片进行处理。 首先,我们在工程目录下创建image文件夹,将选中的几张带车牌的图片存放在该文件夹下。 我把这些图片打
引言 随着人工智能的热度不断增加,很多人看到了机器学习的许多优势之处。这个系列将从下载pycharm编译器,搭建pytorch环境,利用opencv配合初步的实现一个利用神经网络进行识别车牌的项目。 正文 话不多说,第一章首先来把我们要用的编译器以及包下载好,下面的链接是pycharm编译器的安装包。各位按教程下载即可。 链接:https://pan.baidu.com/s/1
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信