百度飞桨深度学习笔记

PyTorch深度学习笔记（八）Transforms的使用

课程学习笔记，课程链接一、Transforms的结构及用法torchvision中的transforms主要是对图片进行一些变换。tranforms对应tranforms.py文件，里面定义了很多类，输入一个图片对象，返回经过处理的图片对象。transforms更多指的是python文件，transforms.py就像一个工具箱，里面定义的各种类就像各种工具，特定格式的图片就是输入对象，经过工具处
小于同学饿了·2022-12-29 23:04

自然语言处理与词嵌入-吴恩达深度学习笔记

文章目录自然语言处理与词嵌入词汇表征（WordRepresentation）Visualizingwordembeddings——t-SNE算法PropertiesofWordEmbeddings——CosinesimilarityEmbeddingmatrix学习词嵌入（LearningWordEmbeddings）Word2VecSkip-Gram模型负采样（NegativeSampling）
PengxiangZhou·2022-12-29 23:29

百度智能云 x 国寿财险 | 打造NPS+AI新一代客户体验管理模式

国寿财险携手百度智能云，借助百度飞桨（PaddlePa
百度智能云·2022-12-29 20:28

百度飞桨第一课|让人拍案叫绝的创意都是如何产生的

创意：将现有想法进行组合特效的复刻技术叠加换天空：分割模型进行更换叠加：空间域上的叠加时间域上的叠加伪3D：将人分割出来画标识线表情机器人：人脸照片-》熊猫头表情包Wechaty框架Django：通过ace2p和Facelandmark进行分割，将原有熊猫头表情包的脸去掉，将照片的脸加入，并二值化转化为黑白色的图安全帽检测训练导出模型：PaddleDetection训练ssd-mobilenet检
布唧怪·2022-12-29 20:53

基于Django和百度飞桨模型的情感识别Web系统

系统描述描述的代码可以直接下载：https://download.csdn.net/download/qalangtao/85900114情感倾向分析（SentimentClassification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度，能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。该模型基于一个双向LS
qa浪涛·2022-12-29 20:52

清微智能机器视觉芯片TX5368A与百度飞桨完成I级兼容性测试，推动可重构计算生态应用发展...

近日，清微智能的高性能机器视觉芯片TX5368A与百度飞桨完成I级兼容性测试（基于Paddle2ONNX工具）。测试结果显示双方兼容良好，整体运行稳定。
飞桨PaddlePaddle·2022-12-29 19:36

深度学习笔记：为什么(预)特征提取不能与数据增强结合使用

关于这个方法的实验参见：深度学习笔记：利用预训练模型之特征提取训练小数据集上的图像分类器http
笨牛慢耕·2022-12-29 16:11

深度学习笔记：在小数据集上从头训练卷积神经网络

目录0.前言1.数据下载和预处理¶2.搭建一个小的卷积网络3.数据预处理4.模型训练¶5.在测试集进行模型性能评估6.小结¶0.前言本文（以及接下来的几篇）介绍如何搭建一个卷积神经网络用于图像分类的深度学习问题，尤其是再训练数据集比较小的场合。通常来说，深度学习需要大量的数据进行训练，尤其是像在图像处理这种通常数据维度非常高的场合。但是当你没有一个足够大的数据集进行训练的时候应该怎么办呢？解决训练
笨牛慢耕·2022-12-29 16:10

深度学习笔记：利用数据增强在小数据集上从头训练卷积神经网络

目录0.前言1.数据增强处理2.为什么要数据增强？3.模型训练4.测试集上的性能5.小结0.前言本文（以及接下来的几篇）介绍如何搭建一个卷积神经网络用于图像分类的深度学习问题，尤其是再训练数据集比较小的场合。通常来说，深度学习需要大量的数据进行训练，尤其是像在图像处理这种通常数据维度非常高的场合。但是当你没有一个足够大的数据集进行训练的时候应该怎么办呢？解决训练数据集太小的方法通常有两种：(1)使
笨牛慢耕·2022-12-29 16:10

深度学习笔记：利用预训练模型之特征提取训练小数据集上的图像分类器

目录0.前言1.为什么可以用预训练模型？1.1特征提取1.2模型微调2.加载预训练模型3.特征提取4.训练以及评估4.1训练4.2loss和accuracy曲线4.3.在测试集进行模型性能评估5.小结0.前言本文（以及接下来的几篇）介绍如何搭建一个卷积神经网络用于图像分类的深度学习问题，尤其是再训练数据集比较小的场合。通常来说，深度学习需要大量的数据进行训练，尤其是像在图像处理这种通常数据维度非常
笨牛慢耕·2022-12-29 16:10

深度学习笔记：使用预训练模型之模型微调+数据增强

目录0.前言1.模型微调的步骤2.在已经训练好的基网络(basenetwork)上添加了自定义网络3.数据生成4.冻结基网络，训练所添加的部分5.释放基网络最后若干层，重新训练6.总结7.Reference0.前言本系列介绍如何搭建一个卷积神经网络用于图像分类的深度学习问题，尤其是再训练数据集比较小的场合。通常来说，深度学习需要大量的数据进行训练，尤其是像在图像处理这种通常数据维度非常高的场合。但
笨牛慢耕·2022-12-29 16:38

百度飞桨PP-YOLOE ONNX 在LabVIEW中的部署推理(含源码)

文章目录前言一、什么是PP-YOLO二、环境搭建1、部署本项目时所用环境2、LabVIEW工具包下载及安装三、模型的获取与转化1、安装paddle2、安装依赖的库3、安装pycocotools4、导出onnx模型（1）导出推理模型（2）安装paddle2onnx（3）转换成onnx格式四、在LabVIEW实现PP-YOLOE的部署推理1、LabVIEW调用PP-YOLOE实现目标检测pp-yolo
virobotics·2022-12-29 15:58

深度学习笔记-快速查看torchvision中的模型架构

在模型创建的时候，经常需要对模型进行修改，修改的时候需要查看模型架构。下面使用终端中调用IPython的方法对torchvision中的模型架构进行展示查询代码：首先ipython激活ipythonfromtorchvisionimportmodelsprint(models.resnet152())注意：resnet152后面要加（）
地表最菜研究生·2022-12-29 12:52

深度学习笔记(四):神经网络之链式法则详解

简单的说链式法则就是原本y对x求偏导，但是由于过程较为复杂，我们引入了一个中间层z，先利用y对z求偏导，在乘上z对x求偏导，这样会使整个计算更为简单。作用:通过链式法则我们就可以把最后一层的误差，一层一层的输出到中间层上面去，从而得到中间层的梯度信息，通过梯度信息我们就能很好的更新权值，从而达到更好的优化效果。从上面可以知道E为最右边，当E对w1做偏微分，可以更新w1；同理E对w2做偏微分，就更新
ZZY_dl·2022-12-29 12:33

深度学习笔记：感知机

感知机（perceptron）为神经网络的起源算法。感知机接受多个输入信号，输出一个信号。感知机信号只有0和1。在上图的感知机中，x1和x2两个输入信号会分别乘以其对应权重(weight)w1和w2，传入神经元。神经元计算传来信号综合，当总和超过某一阈值时输出1，否则输出0。阈值一般用θ表示为了后续了解神经网络，我们把θ改为-b，其中b被称为偏置。感知机计算输入信号和偏置和，如果和大于0输出1，否
Raine_Yang·2022-12-29 12:00

WAVE SUMMIT+峰会，飞桨八大亮点发布，全面助力产业智能化

百度飞桨作为国内开源最早、技术领先、功能完备的产业级深度学习平台，继520峰会之后，持续发布前沿产业洞察，重磅技术升级和开源生态成果。
飞桨PaddlePaddle·2022-12-29 12:30

深度学习笔记：python的numpy和matplotlib库

1numpy库numpy为python数学计算库，里面的数组类提供大量便捷的数组和矩阵运算方法创建numpy数组：importnumpyasnpx=np.array([1.0,2.0,3.0])创建二维数组：importnumpyasnpa=np.array([[1,2],[3,4]])a.shape#output:(2,2)a.dtype#output:dtype('int64')shape:查
Raine_Yang·2022-12-29 12:30

深度学习笔记：神经网络（1）

对于感知机相关内容，可以参考我上一篇文章：https://blog.csdn.net/Raine_Yang/article/details/128461600?spm=1001.2014.3001.5501在图示中，最左边一列为输入层，最右边一列为输出层，中间为中间层，也叫隐藏层。一般把输入层到输出层以此称为第0层，第1层，第2层等对于感知机，我们将输入和权重乘积相加并和阈值比较，阈值又可以表示为
Raine_Yang·2022-12-29 12:57

四行代码实现人像抠图

Abstract：使用python和百度飞桨（paddlepaddle），实现自动化人像抠图。
culljores·2022-12-29 03:18

卷积神经网络需不需要Linux,【连载】深度学习笔记9：卷积神经网络（CNN）入门...

前面的八篇学习笔记，基本上都是围绕着深度神经网络(DNN)和全连接网络(FCN)在学习。从本篇开始，将带着大家一起学习和研究深度学习的另一个主题——卷积神经网络(ConvolutionalNeuralNetwork)，也就是我们平常眼熟的CNN。卷积神经网络作为当前计算机视觉领域的核心技术，发展到如今已是枝繁叶茂。笔者对于这一块的初步打算是从卷积网络的基本原理讲起，将卷积网络的前向传播和反向传播过
岩笑·2022-12-28 08:49

深度学习笔记 - FCN全卷积神经网络

感受域感受野的计算公式：RFl+1=RFl+(kernel_size-1)×stridelayer1的感受野：RF1=1layer2的感受野：RF2=1+(3-1)×1=3layer3的感受野：RF2=3+(3-1)×1=5感受野越大，分割时获取的全局信息越多，分割越准确。存在的问题在全卷积神经网络中感受域问题存在和熊掌不可兼得的问题：增大stride能够获得更大的感受野，但同时会丢失图像中的信息
地表最菜研究生·2022-12-28 08:48

深度学习笔记（基础篇）——（六）全卷积神经网络（FCN）

通常CNN在卷积层之后会接上若干个全连接层，将卷积层产生的特征图（FeatureMap）映射成一个固定长度的特征向量进行分类。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述，如AlexNet的ImageNet模型输出一个1000维的向量，表示输入图像属于每一类的概率。例如，图4.15中的猫，输入AlexNet，得到一个长为100
马大哈先生·2022-12-28 08:47

动手深度学习笔记（三十八）7.2. 使用块的网络（VGG）

动手深度学习笔记（三十八）7.2.使用块的网络（VGG）7.2.使用块的网络（VGG）7.2.1.VGG块7.2.2.VGG网络7.2.3.训练模型7.2.4.小结7.2.5.练习7.2.使用块的网络（
落花逐流水·2022-12-28 08:46

深度学习笔记012：AlexNet+.nn.Sequential构建神经网络使用实例+object to parameter ‘0’ (torch.nn.Parameter or None……

AlexNet对原始图片进行了数据增强：随机截取，亮度与色温的改变对原始图片进行了数据增强：随机截取，亮度与色温的改变对原始图片进行了数据增强：随机截取，亮度与色温的改变torch.nn.Sequential源码链接nn.SequentialAsequentialcontainer.Moduleswillbeaddedtoitintheordertheyarepassedintheconstruc
FakeOccupational·2022-12-28 07:31

深度学习笔记 —— 模型选择 + 过拟合和欠拟合

我们关心的是泛化误差，而非训练误差。这也给我们一定启示啊，光背题是行不通滴，要理解背后的本质和逻辑Attention：验证数据一定不要和训练数据混在一起！也不能用测试数据集来调超参数！好处是尽可能地把数据作为训练数据集，坏处是代价高（因为要跑多次）。k越大，效果越好，但是k的选择一般要在能承受的计算成本之内。另外，这种方法适用的情况是没有足够多数据的时候数据简单，应该选择比较低的模型容量，就会得到
Whisper_yl·2022-12-28 02:09

目标检测汇总

基于深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN-Madcola-博客园https://www.cnblogs.com/skyfsm/p/6806246.htmlSSD：深度学习笔记
lx_xin·2022-12-28 01:54

深度学习笔记（4）——TextCNN、BiLSTM实现情感分类（weibo100k数据集）

文章目录0前言1数据准备1.1路径、常量、超参数1.2加载数据集2文本清洗3分词4工具类、文本向量化5模型构建6评估7总览8实时测试0前言使用数据集：微博数据集，共有约12万条数据，标签数为2。配置环境：Rtx3060Laptop/AutoDL1数据准备1.1路径、常量、超参数#路径DATASET_PATH='../data/weibo/weibo_senti_100k.csv'USER_DICT
热爱旅行的小李同学·2022-12-27 15:39

图学习+分子表示学习，飞桨刷新药物分子性质预测榜单

点击左上方蓝字关注我们百度飞桨凭借图学习框架(PGL)和生物计算平台螺旋桨(PaddleHelix)，登顶权威榜单OGB多项分子性质预测任务，在AI药物发现领域取得新的技术突破。
飞桨PaddlePaddle·2022-12-27 11:17

网易云课堂吴恩达Andrew Ng深度学习笔记（四）

01.神经网络和深度学习第四周深层神经网络所谓深层神经网络，字面上对应于浅层神经网络，即具有2层及以上的隐藏层。其正向传播过程一样，z[l]=w[l]a[l-1]+b[l],a[l]=g[l](z[l])小技巧，用维度来检查计算过程，n是每一层的神经元个数。导数的维度不变。如果只考虑单个数据，z和a的维度如下，对应上面的正向传播公式，可用维度检查[nl,1]=[nl,nl-1]*[nl-1,1]+
山羊君·2022-12-27 06:23

网易云课堂吴恩达Andrew Ng深度学习笔记（三）

01.神经网络和深度学习第三周浅层神经网络上一周的课程讲解了单神经元的正向及反向传播推导公式及向量化。一个神经元内部的操作分为两步：第一步是输入特征的线性组合，第二步是将z通过激活函数进行非线性变化得到a，也就是对y的拟合。先沿着正向计算损伤函数L(a,y)，再反向计算梯度，沿着dw下降方向来调整参数w=w-α*dw。这里介绍一个典型的2层神经网络，第1层有4个神经元，第二层有1个神经元。每个节点
山羊君·2022-12-27 06:52

深度学习笔记（三）：backpropagation反向传播算法python代码讲解

backpropation算法python代码实现讲解批量梯度更新backpropagation算法backpropagation算法步骤backpropation算法python代码实现讲解具体神经网络参见第一个笔记批量梯度更新classNetwork(object):...#参数，mini_batch:要批量更新的输入实例的集合;eta:学习率defupdate_mini_batch(self
放不完的风筝·2022-12-26 22:45

计算机视觉与深度学习笔记--北邮

视频来源：计算机视觉与深度学习北京邮电大学鲁鹏清晰版合集（完整版）_哔哩哔哩_bilibili
qq_35821503·2022-12-26 12:24

深度学习笔记（八）神经网络反向传播的梯度下降算法

按照吴恩达老师的话讲，反向传播的数学推导过程实际上是他看过的最复杂的数学之一，涉及线性代数矩阵导数链式法则等等，如果你微积分专家，你可以尝试从头进行数学推导，这是机器学习领域最难的推导之一。不管怎样，如果能实现这些方程，相信能让你有足够的直觉来调整神经网络并使其工作。一、前向传播公式的回顾Z[1]=W[1]X+b[1]A[1]=σ(Z[1])Z[2]=W[2]A[1]+b[2]A[2]=σ(Z[2
Mr.zwX·2022-12-26 10:57

动手深度学习笔记（二十六）5.2. 参数管理

动手深度学习笔记（二十六）5.2.参数管理5.深度学习计算5.2.参数管理5.2.1.参数访问5.2.1.1.目标参数5.2.1.2.一次性访问所有参数5.2.1.3.从嵌套块收集参数5.2.2.参数初始化
落花逐流水·2022-12-26 08:23

深度学习笔记（一）：PyTorch使用RNN对MNIST手写数字识别，一个项目进入深度学习。

importtorchimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimporttimeimportcopyfromtorchimportnnimporttorch.nn.functionalasFimporttorch.optimasoptimimporttorchvisionimporttorch.utils.dataas
这论坛真lj·2022-12-25 17:43

李沐基于Pytorch的深度学习笔记（11.5）-MNIST的数字识别实现（含代码）

本次博文参考的文章如下：用PyTorch实现MNIST手写数字识别(非常详细)_小锋学长生活大爆炸-CSDN博客_pytorch手写数字识别我们对这篇文章进行了一个更加详细的讲解首先我们来设置相关的包和库以及后面会用到的数据importtorchimportnumpyasnpimportpandasaspdimportrandomimportmatplotlibimportmatplotlib.p
chenyuhan1997·2022-12-25 17:41

深度学习笔记（二）卷积层 Convolutional tf.keras.layers.conv2D

如何理解tf.keras.layers.Conv2D（）在介绍，此函数之前，我们先了解卷积层在深度学习中的作用：什么卷积卷积是指将卷积核应用到某个张量的所有点上，通过卷积核在输入的张量上滑动而生成经过滤处理的张量。不同的卷积核对图像中不同特征的敏感程度不同，因此不同的卷积核提取的图像特征不同卷积层完成的是：对图像特征的提取或者信息匹配tf.keras.layers.Conv2D（）的函数参数具体如
咸鱼小姐-coding·2022-12-25 04:30

时序数据深度学习笔记——CNN

一、卷积神经网络卷积神经网络(CNN)是一种利用卷积运算的深度学习结构。这允许神经网络减少特征空间，有效地过滤输入，防止过度拟合。并且由于其可以通过卷积运算有效地滤除时间序列中的噪声，使得能够产生一系列不包括异常值的稳健特性。同时CNN通常比LSTM训练更快，因为它们的操作可以并行。卷积是通过一个内核来实现的，这个内核在模型拟合过程中也经过了训练。内核的步长决定了它在卷积的每一步移动的步数。在时序
HughYue1990·2022-12-24 20:12

anaconda学习python_python深度学习笔记1-Anaconda软件安装

————工欲善其事必先利其器一、Anaconda介绍Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda的下载文件比较大(约531MB)，如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版(仅包含conda和Python)。Python是非常适合进行深度学
康尔馨CARESEEN·2022-12-24 14:47

(五) 深度学习笔记 ｜LeNet-5

一、前言LeNet-5出自论文Gradient-BasedLearningAppliedtoDocumentRecognition，是一种用于手写体字符识别的非常高效的卷积神经网络。卷积神经网络能够很好的利用图像的结构信息。卷积层的参数较少，这也是由卷积层的主要特性即局部连接和共享权重所决定的。如果对卷积神经网络不了解的，可以查看我此前的博客，里面有从卷积神经网络结构的基础说起，详细地讲解每个网络
Viviana-0·2022-12-24 14:58

基于百度飞桨PaddleOCR的图片文字识别

PaddleOCR项目源码：https://github.com/PaddlePaddle/PaddleOCR飞桨开源文字识别模型套件PaddleOCR，目标是打造丰富、领先、实用的文本识别模型/工具库。最新开源的超轻量PP-OCRv3模型大小仅为16.2M。同时支持中英文识别；支持倾斜、竖排等多种方向文字识别；支持GPU、CPU预测；用户既可以通过PaddleHub很便捷的直接使用该超轻量模型，
jianxuezixuan·2022-12-24 13:49

基于Pyqt5实现笔记本摄像头拍照及PaddleOCR测试

在上一篇文章《基于百度飞桨PaddleOCR的图片文字识别》的基础上，做了个简单的扩展：1、通过Pyqt5做个简单的UI界面；2、通过OpenCV操作笔记本摄像头进行视频显示、拍照等功能；3、加载图片；
jianxuezixuan·2022-12-24 13:49

(三) 深度学习笔记 ｜关于梯度、导数、偏导数和方向导数的理解

一、关于梯度简单来说：梯度不是一个值，而是一个方向1.delta法则为了克服多层感知机调参存在的问题，人们设计了一种名为delta（[公式]）法则（deltarule）的启发式方法，该方法可以让目标收敛到最佳解的近似值。delta法则的核心思想在于，使用梯度下降（gradientdescent）的方法找极值。2.一维梯度如果这个斜率越大，就表明其上升趋势越强劲。当这个斜率为0时，就达到了这个函数的
Viviana-0·2022-12-24 13:15

深度学习笔记（1）| 导数、偏导数、梯度和方向导数的理解

1.梯度（Gradient）的理解深度学习尝试在权重空间中找到一个方向，沿着该方向能降低损失函数的损失值。其实不需要随机寻找方向，因为可以直接计算出最好的方向，这就是从数学上计算出最陡峭的方向。这个方向就是损失函数的梯度（gradient）。在蒙眼徒步者的比喻中，这个方法就好比是感受我们脚下山体的倾斜程度，然后向着最陡峭的下降方向下山。梯度的定义在函数各个点的变化率的一个向量,向量的模就是方向导数
菜鸟的追梦旅行·2022-12-24 13:32

深度学习笔记（十一）核对矩阵的维度（确定矩阵维度的精髓）

学习前面知识的过程中，遇到过很大的问题，那就是矩阵维度。这个到底是几乘几的矩阵？这个权重矩阵是否需要转置？输出的矩阵是否是我们期望的形状？那么这一课，我们来剖析一下参数及输入输出矩阵的维度。一、参数w[l]w^{[l]}w[l]和b[l]b^{[l]}b[l]的维度z[1]=w[1]x+b[1]z^{[1]}=w^{[1]}x+b^{[1]}z[1]=w[1]x+b[1]考虑权重维度时，抛开偏置值
Mr.zwX·2022-12-24 08:02

PyTorch深度学习笔记（十七）现有网络模型的使用与修改

课程学习笔记，课程链接在现有的torchvision中提供了许多常见的神经网络模型，这些模型主要包括：分类、语义分割、目标检测、视频分类等类型，其中分类主要针对图像分类，包括AlexNet、VGG、ResNet、GoogLeNet等网络。具体情况可以参照PyTorch官网。使用该数据集需安装scipy，可用piplist查看是否安装（数据集100多G，太大不适宜讲解）设置全局镜像新建文件夹C:\U
小于同学饿了·2022-12-24 06:16

神经网络与深度学习笔记——梯度下降算法是什么？

神经网络与深度学习笔记系列一共有五个专题，分别是第一章使用神经网络识别手写数字——梯度下降算法是什么。主要介绍了神经网络的基础例如感知器激活函数等概念，最主要介绍了梯度下降算法。
刘爱然·2022-12-23 22:55

深度学习笔记-tf.GradientTape用法详解

TensorFlowGradientTape用法详解最近看到莫凡老师上传的GAN相关的代码时,发现莫凡老师写的GAN网络的代码使用了tf.GradientTape()进行先计算模型的梯度,然后利用优化器的apply_gradients()方法进行训练优化,于是查了一下相应的api总结出了此篇文档.简单的梯度计算importtensorflowastfx=tf.Variable(3.)withtf.
DeepBrainWH·2022-12-23 19:49

CV领域的对比学习综述(下)

CV领域的对比学习综述(下)–潘登同学的深度学习笔记文章目录CV领域的对比学习综述(下)--潘登同学的深度学习笔记对比学习发展历程不用负样本BYOL整体思路网络架构BN层知道了副样本BYOL回应blogSimSiam
PD我是你的真爱粉·2022-12-23 17:46

CV领域的对比学习综述(上)

CV领域的对比学习综述(上)–潘登同学的深度学习笔记文章目录CV领域的对比学习综述(上)--潘登同学的深度学习笔记对比学习发展历程百花齐放InstDisc研究动机网络架构InvaSpreadCPCCMC
PD我是你的真爱粉·2022-12-23 17:45
上一页 10 11 12 13 14 15 16 17 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他