caffe之（一）卷积层

在caffe中，网络的结构由prototxt文件中给出，由一些列的Layer（层）组成，常用的层如：数据加载层、卷积操作层、pooling层、非线性变换层、内积运算层、归一化层、损失计算层等；本篇主要介绍卷积层 参考 1. 卷积层总述 下面首先给出卷积层的结构设置的一个小例子（定义在.prototxt文件中）  layer { name: "conv1" // 该层的名字 type: "Convolution"

关于pyinstaller的打包后错误（ModuleNotFoundError: No module name

1 pyinstaller打包tensorflow出错，如：ModuleNotFoundError: No module named 'tensorflow_core.python解决方法 该类型错误还有ImportError: cannot import name 'pywrap_tensorflow' 等。运行报错是pyinstaller无法导入tensorflow_core。问题解决方式为：在所运行的python文件（m

Tensorflow实现对fashion mnist（衣服，裤子等图片）数据集的softmax分类

首先我们要明确的是下面我们讲解的是一个很基础的神经网络，因为我们只是为了通过下面这个实例来为大家解释如何使用tensorflow2.0这个框架。整个神经网络的架构是首先是flatten层（把图片从二维转化为一维），然后经过一系列的全连接网络层，中间穿插着一些dropout层来避免过拟合，最后达到softmax层实现多分类。在整个神经网络当中并没有用到卷积神经网络，卷积神经网络会在我后面的博文当中写出。 代码如下： import t

转 Caffe学习系列(2)：数据层及参数

http://www.cnblogs.com/denny402/p/5070928.html   要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。 层有很多种类型，比如Data,Convolution,P

转 Caffe学习系列(5)：其它常用层及参数

本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。 1、softmax-loss softmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression 的一种推广。Logistic Regression 只能用于二分

TensorFlow保存TensorBoard图像操作

TensorBoard是TensorFlow提供的一个可视化工具，可以帮助我们更好地理解和调试TensorFlow模型。在TensorFlow中，我们可以使用tf.summary.FileWriter()方法将TensorBoard图像保存到磁盘上。本文将详细讲解如何使用TensorFlow保存TensorBoard图像操作，并提供两个示例说明。 步骤1：导入TensorFlow库 首先，我们需要导入TensorFlow库。可以使用以下代

Windows下Caffe在GPU编译过程

GeForce8800 GTS512: cc=1.1 CUDA6.5 问题一： src/caffe/layers/conv_layer.cu(20): error : too few arguments in function call   Error in in conv_layer.cu :forward_gpu_gemm needs the argument skip_im2col #1962   解决： https://g

pytorch 学习–60分钟入个门

pytorch视频教程 简单相加 a+b torch.add(a,b) 给出一个输出向量 torch.add(a,b,out=result) 原地相加 b.add_(a) # 这时值已经给了 b 张量部分截取 print(y[:,1]) tensor 转 numpy a = torch.rand(5,3) a.numpy() numpy 转 tensor b = torch.from_numpy(a)

Keras使用多个GPU并行

model = Model(inputs=[v_i, v_j], outputs=output_list) model = multi_gpu_model(model,4) model.compile(....) 主要就是第二句话中的 multi_gpu_model函数，会把数据和模型分到多个gpu上执行有个坑，就是整个程序导入keras时要么全部from keras import ...,要么全部 from tensorflo

TensorFlow实现Softmax回归模型

TensorFlow实现Softmax回归模型 Softmax回归模型是一种常用的分类模型，它可以将输入信号转换为0到1之间的输出信号，并且所有输出信号的和为1。在TensorFlow中，我们可以使用tf.nn.softmax()方法实现Softmax回归模型。本文将详细讲解TensorFlow实现Softmax回归模型的完整攻略，并提供两个示例说明。 示例1：使用Softmax回归模型训练MNIST数据集 以下是使用Softmax回归模

python调用pytorch实现deeplabv3+图像语义分割——以分割动漫人物为例

图像语义分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本文提供了一个可进行自定义数据集训练基于pytorch的deeplabv3+图像分割模型的方法，训练了一个动漫人物分割模型，不过数据集较小，仅供学习使用 程序输入：动漫图片 程序输出：分割好的动漫人物图片 目录 程序简介 程序/数据集下载 数据集准备 训练步骤 预测演示步骤 程序简介 图像语义分割就是

tensorflow.python.framework.errors_impl.UnknownError: F

https://blog.csdn.net/zhangpeterx/article/details/89175991   因为我一开始是直接在Pycharm里安装的tensorflow-gpu库，个人感觉应该是缺少了相关的库安装导致的。故我使用conda再次安装一下tensorflow-gpu， conda install tensorflow-gpu 然后问题就解决了。

Tensorflow object detection API 搭建物体识别模型（二）

二、数据准备 　1）下载图片 　　图片来源于ImageNet中的鲤鱼分类，下载地址：https://pan.baidu.com/s/1Ry0ywIXVInGxeHi3uu608g 提取码: wib3 　　在桌面新建文件夹目标检测，把下载好的压缩文件n01440764.tar放到其中，并解压 　2）选择图片 　　在此数据集中，大部分图片都较为清晰，但是有极少数图片像素点少，不清晰。像素点少的图片不利于模型训练或模型测试，选出部分图片文

Bootstrap图片响应式布局类img-responsive的使用方法

Bootstrap提供了一个响应式图片类，叫做img-responsive，它可以让图片在任何尺寸的设备上都能完美展示。使用img-responsive类只需要简单的几步： 在页面中引入Bootstrap的CSS文件：<link rel="stylesheet" href="bootstrap.css"> 在img标签中添加img-responsive类：<img src="image.jpg" class="img-responsive"> 使用浏览

介绍常见的CSS组件库，如Bootstrap等

CSS组件库是一种提供可重用的CSS模块的库，它们可以为开发人员提供一种快速而又有效的方式来构建Web应用程序和网站。常见的CSS组件库有Bootstrap、Foundation、Materialize、Semantic UI等。 Bootstrap Bootstrap是一个用于开发Web应用程序和网站的前端框架，它包含了HTML、CSS和Javascript技术，提供了可重用的组件和模块，可以让开发人员快速构建Web应用程序和网站。使用Bootstrap，可以快速构建响应式网站，并且它还提供