深度学习学习杂记
以下内容基本都是其他博主那里收录来的，随笔而已，如果不合适，联系我随时删
别问思路，思路就是百度到哪儿就是哪儿，问题卡在哪儿就百度哪儿
TensorFlow框架介绍[图+会话+张量+变量OP+API]
主要参考：
人工智能教程第一课 深度学习和计算机视觉TensorFlow入门_办公模板库 素材蛙的博客-CSDN博客
一、深度学习
- 深度学习是什么
深度学习是机器学习算法的一种，通过模拟人脑实现相应的功能
- 深度学习应用场景
手机，机器翻译，自动驾驶，语音识别，医疗，安防等。
二、计算机视觉
- 计算机视觉的定义
让计算机理解图片或者视频中的内容
- 计算机视觉的任务
图像分类，目标检测，图像分割
- 计算机视觉的应用场景
人脸识别，视频监控，图片识别分析，辅助驾驶
三、TensorFlow介绍
1、使用tf.data加载数据。 使用tf.data实例化读取训练数据和测试数据
2、模型的建立与调试： 使用动态图模式 Eager Execution 和著名的神经网络高层 API 框架 Keras，结合可视化工具 TensorBoard，简易、快速地建立和调试模型；
3、模型的训练： 支持 CPU / 单 GPU / 单机多卡 GPU / 多机集群 / TPU 训练模型，充分利用海量数据和计算资源进行高效训练；
4、预训练模型调用： 通过 TensorFlow Hub，可以方便地调用预训练完毕的已有成熟模型。
5、模型的部署： 通过 TensorFlow Serving、TensorFlow Lite、TensorFlow.js 等组件，可以将TensorFlow 模型部署到服务器、移动端、嵌入式端等多种使用场景；
机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。
这时大家肯定上实机操作，安装参考：
Win10下安装 Tensorflow2（CPU），并在Pycharm中运行 - 哔哩哔哩
pip --default-timeout=10000 install tensorflow==2.6.0
运行有报错，最前面加下：
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
张量Tensor
张量是一个多维数组。 与NumPy ndarray对象类似，tf.Tensor对象也具有数据类型和形状。
创建int32类型的0维张量，即标量
rank_0_tensor = tf.constant(4)
print(rank_0_tensor)
创建float32类型的1维张量
rank_1_tensor = tf.constant([2.0, 3.0, 4.0])
print(rank_1_tensor)
创建float16类型的二维张量
rank_2_tensor = tf.constant([[1, 2],
[3, 4],
[5, 6]], dtype=tf.float16)
print(rank_2_tensor)
numpy(Numerical Python)是一个开源的Python数据科学计算库，支持对N维数组和矩阵的操作，用于快速处理任意维度的数组。
numpy库的功能非常聚焦，专注于做好“一件事”。numpy主要使用ndarray来处理N维数组，numpy中的大部分属性和方法都是为ndarray服务的。
Tensor转换成numpy
np.array(rank_2_tensor)
rank_2_tensor.numpy()
矩阵的运算
实在忘记了矩阵咋计算的了，感谢互联网，还是找到了
矩阵的运算及其运算规则
tf.keras介绍
tf.keras是TensorFlow 2.0的高阶API接口，为TensorFlow的代码提供了新的风格和设计模式，大大提升了TF代码的简洁性和复用性，官方也推荐使用tf.keras来进行模型设计和开发。
深度学习实现的主要流程：1.数据获取，2，数据处理，3.模型创建与训练，4 模型测试与评估，5.模型预测
1.导入tf.keras
使用 tf.keras，首先需要在代码开始时导入tf.keras
import tensorflow as tf from tensorflow import keras
2.数据输入
对于小的数据集，可以直接使用numpy格式的数据进行训练、评估模型，对于大型数据集或者要进行跨设备训练时使用tf.data.datasets来进行数据输入。
3.模型构建
- 简单模型使用Sequential进行构建
- 复杂模型使用函数式编程来构建
- 自定义layers
4.训练与评估
- 配置训练过程：
# 配置优化方法，损失函数和评价指标 model.compile(optimizer=tf.train.AdamOptimizer(0.001), loss='categorical_crossentropy', metrics=['accuracy'])
- 模型训练
# 指明训练数据集，训练epoch,批次大小和验证集数据 model.fit/fit_generator(dataset, epochs=10, batch_size=3, validation_data=val_dataset, )
- 模型评估
# 指明评估数据集和批次大小 model.evaluate(x, y, batch_size=32)
- 模型预测
# 对新的样本进行预测 model.predict(x, batch_size=32)
总结
了解Tensorflow2.0框架的用途及流程
1.使用tf.data加载数据
2、模型的建立与调试
3、模型的训练
4、预训练模型调用
5、模型的部署
知道tf2.0的张量及其操作
张量是多维数组。
1、创建方法：tf.constant()
2、转换为numpy: np.array()或tensor.asnumpy()
3、常用函数：加法，乘法，及各种聚合运算
4、变量：tf.Variable()
知道tf.keras中的相关模块及常用方法
常用模块：models,losses,application等
常用方法：
1、导入tf.keras
2、数据输入
3、模型构建
4、训练与评估
5、回调函数
6、模型的保存与恢复
四、快速入门模型
第一步先安装：
pip --default-timeout=10000 install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple/
--default-timeout 防超时
-i https://pypi.tuna.tsinghua.edu.cn/simple/ 防慢
1.相关的库的导入
# 绘图
import seaborn as sns
# 数值计算
import numpy as np
# sklearn中的相关工具
# 划分训练集和测试集
from sklearn.model_selection import train_test_split
# 逻辑回归
from sklearn.linear_model import LogisticRegressionCV
# tf.keras中使用的相关工具
# 用于模型搭建
from tensorflow.keras.models import Sequential
# 构建模型的层和激活方法
from tensorflow.keras.layers import Dense, Activation
# 数据处理的辅助工具
from tensorflow.keras import utils
原文链接：https://blog.csdn.net/fegus/article/details/124837484
先实现一个试下：（参考这个，很简单的项目，我这个初学菜狗也能看懂）
自己实现黑白图片自动上色AI（一） - 知乎