tensorflow 应用fizzbuzz

60个字符解决fizzbuzz问题： for x in range(101):print"fizz"[x%3*4::]+"buzz"[x%5*4::]or x 下面是用tensorflow解决，跟上面的比起来非常复杂，但很有意思，而且适合学习tensorflow，发散一下思维，拓展tensorflow的应用范围。 tensorflow 应用fizzbuzz 转载请注明地址：http://www.cnblogs.com/

深度学习之TensorFlow Object_detection API 目标检测环境搭建 proto文件编译

   最近一直在学习深度学习之TensorFlow入门、原理与进阶实战这本书，上面的第11章搭建Object_detection API 目标检测环境，因为自己下载的model文件和书上不是一个版本，所以在编译时很多文件编译不过去，而且也不知道问题出在哪里，搜了很久才发现，问题在于自己下载的model与protoc.exe版本不匹配，如果你下载的model是比较新的，那你编译使用的protoc.exe也要用新版本的，，我使用3.4版

Pytorch：数据增强与标准化

本文对transforms.py中的各个预处理方法进行介绍和总结。主要从官方文档中总结而来，官方文档只是将方法陈列，没有归纳总结，顺序很乱，这里总结一共有四大类，方便大家索引： 裁剪——Crop 中心裁剪：transforms.CenterCrop 随机裁剪：transforms.RandomCrop 随机长宽比裁剪：transforms.RandomResizedCrop 上下左右中心裁剪：transforms.FiveCro

machine learning for hacker记录(1) R与机器学习

开篇：首先这本书的名字很霸气，全书内容讲的是R语言在机器学习上面的应用，一些基本的分类算法(tree,SVM,NB),回归算法,智能优化算法,维度约减等，机器学习领域已经有很多成熟的R工具箱，毕竟这个领域被统计学称霸了十多年，常用R工具箱都可以在这里面找到http://www.rdatamining.com/docs，http://www.mloss.org/software/ 本书第一张介绍了R以及相应包的安装，同时拿了UFO数据

Keras实践：实现非线性回归

代码 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" import keras import numpy as np import matplotlib.pyplot as plt #顺序模型 from keras.models import Sequential #全连接层 from keras.layers import Dense from keras.

【目标检测】：SPP-Net深入理解（从R-CNN到SPP-Net）

一. 导论 SPP-Net是何凯明在基于R-CNN的基础上提出来的目标检测模型，使用SPP-Net可以大幅度提升目标检测的速度，检测同样一张图片当中的所有目标，SPP-Net所花费的时间仅仅是RCNN的百分之一，而且检测的准确率甚至会更高。那么SPP-Net是怎么设计的呢？我们要想理解SPP-Net，先来回顾一下RCNN当中的知识吧。下图为SPP-Net的结构： 二. RCNN rcnn进行目标检测的框架如下：  因此RCNN的

【火炉炼AI】深度学习008-Keras解决多分类问题

【火炉炼AI】深度学习008-Keras解决多分类问题 (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, Keras 2.1.6, Tensorflow 1.9.0) 在我前面的文章【火炉炼AI】深度学习005-简单几行Keras代码解决二分类问题中，介绍了用Keras解决二分类问题。那么多分类问题该怎么解决？有哪些不同？

Keras.NET 【翻译】Keras.NET简介 – 高级神经网络API in C#

  Keras.NET是一个高级神经网络API，它使用C#编写，并带有Python绑定，可以在Tensorflow、CNTK或Theano上运行。其关注点是实现快速实验。因为做好研究的关键是：能在尽可能短的时间内从一个想法发展出结果。   如果你需要一个能实现以下需求的深度学习库，那么请使用Keras： 允许简单快速的原型制作（通过用户友好性、模块化、扩展性）。 支持卷积网络和循环网络，以及两者的组合。 在CPU和

机器学习 | 强化学习（8） | 探索与开发（Exploration and Exploitation）

1.导论 探索与开发二难问题 基于决策的决策过程存在以下两种选择 开发：基于目前的学习做最优的决策 探索：获取更多的学习 最佳的长期策略或许会包含一些短期的牺牲 获取足够的信息更能得到最为全面的决策 探索的方案（Approach to Exploration） 随机探索（Randon exploration） 通过随机动作进行探索（如\(\epsilon-Greedy, softmax\)） 基于不确定性的最

tensorflow 基础学习九：mnist卷积神经网络

mnist_inference.py： # -*- coding:utf-8 -*- import tensorflow as tf # 配置神经网络参数 INPUT_NODE=784 OUTPUT_NODE=10 IMAGE_SIZE=28 NUM_CHANNELS=1 NUM_LABELS=10 # 第一层卷积层的尺寸和深度 CONV1_DEEP=32 CONV1_SIZE=5 # 第二层卷积层的尺寸和深度 CONV2_

[机器学习笔记(一)] TensorFLow安装

目录 TensorFLow学习环境搭建 Pycharm中安装 Anaconda安装 Conda环境变量 pip添加三方源 使用conda 进入/使用环境 选择tensorflow是因为谷歌支持，Python，可以和Keras结合，社区大且活跃。 以下的环境是在windows10下 Pycharm中安装 File > Settings > Project > Project Interpr

[PyTorch 学习笔记] 3.2 卷积层

这篇文章主要介绍了 PyTorch 中常用的卷积层，包括 3 个部分。 卷积有一维卷积、二维卷积、三维卷积。一般情况下，卷积核在几个维度上滑动，就是几维卷积。比如在图片上的卷积就是二维卷积。 一维卷积 二维卷积 三维卷积 二维卷积：nn.Conv2d() nn.Conv2d(self, in_channels, out_channels, kernel_size, stride=1,

【机器学习】集成学习之xgboost的sklearn版XGBClassifier使用教程

      XGBClassifier是xgboost的sklearn版本。代码完整的展示了使用xgboost建立模型的过程，并比较xgboost和randomForest的性能。 1 # -*- coding: utf-8 -*- 2 """ 3 # 作者：wanglei5205 4 # 邮箱：wanglei5205@126.com 5 # 博客：http://cnblogs.com/wanglei5

VuePagination：使用Vue.js实现分页功能的轻量级组件

在许多Web应用程序中，我们需要像博客、电商网站等这样的页面的分页功能。分页是将一系列信息划分为大小相等的块以及对这些块进行导航的过程。它不仅使数据易于管理，而且还可提高性能和用户界面。VuePagination是一个基于Vue.js的轻量级组件，可帮助您快速实现分页功能。借助VuePagination，您可以轻松地将分页功能添加到任何Vue.js应用程序中，并定制外观和行为，以适合您的项目需求。安装您可以从npm安装VuePagination：npm install vue-paginati

Keras 构建DNN 对用户名检测判断是否为非法用户名（从数据预处理到模型在线预测）

1 . 收集dataset (大量用户名--包含正常用户名与非法用户名) 包含两个txt文件  legal_name.txt  ilegal_name.txt. 如下图所示 2. 用文件进行预处理 # Data sets import os import pandas as pd DATAPATH = "../dataset" POS = os.path.join(DATAPATH, "legal_name.txt"