欢迎来到好奇分享专题网! 手机访问:tensorflow教程

生活经验

tensorflow教程

朝仓ASAKURA来自:湖北省 宜昌市 五峰土家族自治县 时间:2019-03-07 12:22 影响: 185636人

我们找到第1篇与tensorflow教程有关的信息,分别包括:

以下是的一些我们精选的tensorflow教程

选自 Github

作者:Madalina Buzau

机器之心编译

参与:王淑婷、泽南

去年 11 月,Google Brain 团队发布了 Eager Execution,一个由运行定义的新接口,为 TensorFlow 这一最为流行的深度学习框架引入了动态图机制。Eager 的出现使得开发变得更为直观,从而让 TensorFlow 的入门难度大为降低。本文介绍了使用 TensorFlow Eager 构建神经网络的简单教程。

项目链接:https://github.com/madalinabuzau/tensorflow-eager-tutorials

本文旨在帮助那些希望通过 TensorFlow Eager 模式获得深度学习实践经验的人。TensorFlow Eager 可以让你像使用 Numpy 那样轻松地构建神经网络,其巨大优势是了自动微分(无需再手书反向传播, ( *^ ▽ ^* ) !)。它还可以在 GPU 上运行,使神经网络训练速度明显加快。

谷歌大脑的开发团队曾表示,Eager Execution 的主要优点如下:

快速调试即刻的运行错误并通过 Python 工具进行整合

借助易于使用的 Python 控制流支持动态模型

为自定义和高阶梯度强大支持

适用于几乎所有可用的 TensorFlow 运算

我会努力让每个人都能理解这份教程,因此我将尽量在无需 GPU 处理的前提下解决问题。

教程中使用的 TensorFlow 版本为 1.7 版。

开始

01. 构建一个简单的神经网络——下图将教你如何在一个合成生成的数据集上用 TensorFlow Eager 模式构建和训练一个单隐藏层神经网络。

02. 在 Eager 模式中使用度量——下图将教你针对三种不同的机器学习问题(多分类、不平衡数据集和回归),如何使用与 Eager 模式兼容的度量。

简单但实用的知识

03. 保存和恢复训练好的模型——下图将教你如何保存训练好的模型并随后恢复它以对新数据进行预测。

04. 将文本数据传输到 TFRecords ——下图将教你如何把可变序列长度的文本数据存储到 TFRecords 中。当使用迭代器读取数据集时,数据可以在批处理中快速填充。

05. 将图像数据传输到 TFRecords ——下图将教你如何把图像数据及其元数据传输到 TFRecords 上。

06. 如何批量读取 TFRecords 数据——下图将教你如何从 TFRecords 中批量读取可变序列长度数据或图像数据。

卷积神经网络(CNN)

07. 构建一个用于情绪识别的 CNN 模型——下图将教你使用 TensorFlow Eager API 和 FER2013 数据集从零开始构建一个 CNN 模型。在完成以后,你将能使用网络摄像头试验自己构建的神经网络,这是一个很棒的尝试!

循环神经网络(RNN)

08. 构建一个序列分类的动态 RNN ——学习如何使用可变序列输入数据。下图将介绍如何使用 TensorFlow Eager API 和 Stanford Large Movie Review Dataset 来构建动态 RNN。

09. 构建一个时序回归 RNN ——下图展示了如何为时序预测构建一个 RNN 模型。

本文为机器之心编译,转载请联系本公众号获得授权

------------------------------------------------

加入机器之心(全职记者 / 实习生):hr@jiqizhixin.com

投稿或寻求报道:content@jiqizhixin.com

广告 & 商务合作:bd@jiqizhixin.com

最新tensorflow教程可以看看这篇名叫tensorflow教程的文章,可能你会获得更多tensorflow教程

我们找到第1篇与tensorflow教程有关的信息,分别包括:

以下是的一些我们精选的tensorflow教程

选自 Medium

机器之心编译

参与:李泽南

在谷歌 TensorFlow API 推出后,构建属于自己的图像识别系统似乎变成了一件轻松的任务。本文作者利用谷歌开源的 API 中 MobileNet 的组件很快开发出了识别图像和视频内物体的机器学习系统,让我们看看她是怎么做到的。

市面上已有很多种不同的方法来进行图像识别,谷歌最近开源的 TensorFlow Object Detection API 是其中非常引人注目的一个,任何来自谷歌的产品都是功能强大的。所以,让我们来看看它能够做到什么吧,先看结果:

来自 TensorFlow API 的视频物体检测

你可以在 GitHub 上找到这个小项目的全部代码:https://github.com/priya-dwivedi/Deep-Learning/blob/master/Object_Detection_Tensorflow_API.ipynb

训练的过程有多复杂?首先让我们来看看 API 本身。

TensorFlow Object Detection API 的代码库是一个建立在 TensorFlow 之上的开源框架,旨在为人们构建、训练和部署目标检测模型帮助。

该 API 的第一个版本包含:

一个可训练性检测模型的集合,包括:

带有 MobileNets 的 SSD(Single Shot Multibox Detector)

带有 Inception V2 的 SSD

带有 Resnet 101 的 R-FCN(Region-Based Fully Convolutional Networks)

带有 Resnet 101 的 Faster RCNN

带有 Inception Resnet v2 的 Faster RCNN

上述每一个模型的冻结权重(在 COCO 数据集上训练)可被用于开箱即用推理。

一个 Jupyter notebook 可通过我们的模型之一执行开箱即用的推理

借助谷歌云实现便捷的本地训练脚本以及分布式训练和评估管道

SSD 模型使用了轻量化的 MobileNet,这意味着它们可以轻而易举地在移动设备中实时使用。在赢得 2016 年 COCO 挑战的研究中,谷歌使用了 Fast RCNN 模型,它需要更多计算资源,但结果更为准确。

如需了解更多细节,请参阅谷歌发表在 CVPR 2017 上的论文:https://arxiv.org/abs/1611.10012。

在 TensorFlow API 的 GitHub 中,已经有经过 COCO 数据集训练过的可用模型了。COCO 数据集包含 30 万张图片,90 中常见事物类别。其中的类别包括:

COCO 数据集的部分类别

TensorFlow Object Detection API 的 GitHub:https://github.com/tensorflow/models/tree/master/object_detection

COCO 数据集:http://mscoco.org/

如上所述,在 API 中,谷歌了 5 种不同的模型,从耗费计算性能最少的 MobileNet 到准确性最高的带有 Inception Resnet v2 的 Faster RCNN:

在这里 mAP(平均准确率)是精度和检测边界盒的乘积,它是测量网络对目标物体敏感度的一种优秀标准。mAP 值越高就说明神经网络的识别精确度越高,但代价是速度变慢。

想要了解这些模型更多的信息,请访问:https://github.com/tensorflow/models/blob/477ed41e7e4e8a8443bc633846eb01e2182dc68a/object_detection/g3doc/detection_model_zoo.md

使用 API

首先,我尝试使用了其中最轻量级的模型(ssd_mobilenet)。主要步骤如下:

下载封装好的模型(.pb - protobuf),将其载入内存,链接:https://developers.google.com/protocol-buffers/

使用内建帮助代码来载入标签、分类、可视化工具等内容

打开一个新的会话并在一个图像上运行模型

总体而言,这个过程非常简单。API 文件还了一个 Jupyter 笔记本来帮助记录主要步骤:https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb

这个模型在示例图片中的表现非常不错(如下图):

在视频中运行

随后我开始尝试让这个 API 来识别视频中的事物。为了这样做,我使用了 Python 中的 moviepy 库(链接:http://zulko.github.io/moviepy/)。主要步骤如下:

使用 VideoFileClip 函数从视频中抓取图片。

fl_image 函数非常好用,可以用来将原图片替换为修改后的图片,我把它用于传递物体识别的每张抓取图片。

最后,所有修改的剪辑图像被组合成为一个新的视频。

这段代码需要一段时间来运行,3 到 4 秒的剪辑需要约 1 分钟的处理,但鉴于我们使用的是预制模型内固定的加载内存空间,所有这些都可以在一台普通电脑上完成,甚至无需 GPU 的帮助。这太棒了!只需要几行代码,你就可以检测并框住视频中多种不同的事物了,而且准确率很高。

当然,它还有一些可以提高的空间,如下图所示,它几乎没有识别出的存在。

原文链接:https://medium.com/towards-data-science/is-google-tensorflow-object-detection-api-the-easiest-way-to-implement-image-recognition-a8bd1f500ea0

本文为机器之心编译,转载请联系本公众号获得授权。

------------------------------------------------

加入机器之心(全职记者 / 实习生):hr@jiqizhixin.com

投稿或寻求报道:editor@jiqizhixin.com

广告 & 商务合作:bd@jiqizhixin.com

点击阅读原文,查看机器之心官网↓↓↓

上一篇:molly: 妈妈,我也想买几盒 Molly!
下一篇:没有了
  • 少儿培训班: 为什么做了半年多少儿编程线下培训班,我决定放弃

    ::::
  • 为什么做了半年多少儿编程线下培训班,我决定放弃?

    ::::
  • 少儿培训机构: 为什么做了半年多少儿编程线下培训班,我决定放

    ::::
  • 为索泰杯 CS:GO 电竞赛助力 赢万元大奖

    ::::
  • 汽车营销: 李宏鹏:改变思维观念,迎来新营销时代 | 汽车商业评

    ::::
  • 微信商城: 做了 6 年微信商城,这是我总结的 8 个要点

    ::::
  • 焦扬寄语复旦毕业生:把个人命运与时代大势相融,做时代的“弄

    我们找到第1篇与 焦扬寄语复旦毕业生:把个人命运与时代大势相融,做时代的“弄有关的信息,分别包括:

    以下是的一些我们精选的 焦扬寄语复旦毕业生:把个人命运与时代大势相融,做时代的“弄

    ▲ 复旦大学委书记焦扬为 2017 届毕业生上了题为《复旦人与大时代》的最后一次思政课。(摄:慕梁)

    " 复旦学子的气质应该与时代相融合,把个人梦、家庭梦,融入国家梦、中国梦,与时代同向同行。我希望大家看准大势,勇立潮头,做时代的弄潮儿。" 今天,复旦大学光华楼报告厅里座无虚席。2017 届大学毕业生们在离开校园前,复旦大学委书记、" 老学长 " 焦扬为大家上了题为《复旦人与大时代》的最后一次思政课。一个个复旦老校友的感人故事、一组组展现中国快速发展的数字……焦扬与的分享,让在场的无不动容。

    认清自我:复旦学子要始终坚守复旦人的气质

    " 今日诸生步出复旦之门,终生将留有复旦之符号 "。符号,在焦扬看来,就是复旦的气质。

    ......
  • 幸福的厨师: 你的幸福是什么味道?她不是厨师,却最懂食物的心

    ::::
  • 美国华人第一家族之女:船王接班人,丧偶再嫁人竟成 facebook

    ::::
  • 直招士官专业: 多省 2017 年直招士官专业公布,总有“一款”适

    ::::
  • 托福小站:【小站原创】TPO38 托福综合写作题目文本及答案解析

    ::::
  • tpo小站:【小站原创】TPO38 托福综合写作题目文本及答案解析

    ::::
  • 惠比寿麝香葡萄成员_惠比麝香葡萄成员

    ::::
  • 惠比寿麝香葡萄_惠比麝香葡萄

    ::::
  • 麝香葡萄: 惠比寿麝香葡萄:一支普遍存在于宅男硬盘里的女子天

    ::::
  • tensorflow教程相关文章