登录社区云，与社区用户共同成长
邀请您加入社区
人脸识别的例子-Tensorflow2.x Keras1. 前言2. 环境准备3. 数据准备3.1. 模型准备3.2. 数据集准备4. 人脸识别代码讲解1. 前言2. 环境准备pip install mtcnnmtcnn 版本是0.1.0Tensorflow 版本是2.10import mtcnnimport tensorflow as tfprint(mtcnn.__version__)prin
TensorFlow中数据的基本单位为张量，前面例子中我们操作的变量或者常量都是属于张量的一中，我们可以使用张量表示标量(0维度数组)、向量(1维数组)、矩阵(2维数组)、RBG图像(3维数组)、视频(4维数组)等n维数组。如：tf.add(number1, number2)是对number1和number2的值相加，可以相加，都是int类型。通过tf.constant(2,name:"常量2名称
Ubuntu16.04配置深度学习环境文章目录Ubuntu16.04配置深度学习环境1. 确定tensorflow-gpu版本与CUDA和cuDNN版本对应关系[^1]2. 安装CUDA9.0[^2]3. cudnn的安装[^2]4. 安装显卡驱动[^4]5. 安装anaconda36. 使用anaconda安装tensorflow7. 安装必要的软件和库所有引用博客均已在文章尾部标出1. 确定t
目录Upsample:Interpolate，resize:Transposed convolution，deconv:Unpool：Pixelshuffle：Upsample:Pytorch example:import torchimport torch.nn as nnimport torch.nn.functional as Finput = torch.arange...
原文：Mobile Deep Learning with TensorFlow Lite, ML Kit and Flutter协议：CC BY-NC-SA 4.0译者：飞龙本文来自【ApacheCN 深度学习 译文集】，采用译后编辑（MTPE）流程来尽可能提升效率。不要担心自己的形象，只关心如何实现目标。——《原则》，生活原则 2.3.c一、移动深度学习简介在本章中，我们将探索移动设备上深度学习
进行两种不同的训练模型进行比较
深度学习开发框架Tensorflow先修课—Keras手册(1)keras英文官网：https://keras.io/getting_started/keras中文官网：https://keras.io/zh/注：强烈建议学Tensorflow2.0框架之前先把Keras手册看下。然而官网上内容太多，可能有点看不过来。我在读的时候边看边实现，把一些重点以后会经常用到的函数API，另加一些个人笔记记
一、下载NVIDIA控制面板中查看显卡驱动：适合安装CUDA 11.3去到CUDA官网下载该版本CUDN：CUDA Toolkit Archive | NVIDIA Developer下载对应版本cuDNN：cuDNN Archive | NVIDIA Developer其实也可以根据自己的显卡硬件来更新驱动。查找自己显卡适合的驱动：Download Drivers | NVIDIA.搜索之后下载
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x,但是加入了噪声。File "D:\python\线性回归.py", line 24, in <module>
交叉验证（Cross Validation），有的时候也称作循环估计（Rotation Estimation），是一种统计学上将数据样本切割成较小子集的实用方法。交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set or test set),首先用训练集对分类器进行训练,再利用验证集来测试训
此示例将显示构建3D卷积神经网络（CNN）以预测计算机断层扫描（CT）扫描中是否存在病毒性肺炎所需的步骤。2D CNN通常用于处理RGB图像（3个通道）。3D CNN只是3D等价物：它以3D卷或2D帧序列（例如CT扫描中的切片）作为输入，3D CNN是学习体积数据表示的强大模型。
