河南骏的博客

1、购买服务器的市场配置2、ssh连接服务器查看GPU驱动，输入命令“nvidia-smi”3、安装显卡驱动登陆英伟达官网下载对应显卡和系统的驱动：https://www.nvidia.cn/Download/index.aspx?lang=cn然后“搜索“->“下载”，复制下载链接到服务器下载wget https://cn.download.nvidia.cn/XFree86/Linux-x86_64/455.23.04/NVIDIA-Linux-x86_64-4

将卷积核与图像进行卷积是在空间上滑动图像，计算点积卷积核总是扩展输入卷的全部深度卷积层在卷积核和图像的一个小的5x5x3块之间取一个点积的结果对所有空间位置进行卷积（滑动）卷积神经网络是一个卷积层的序列，夹杂着激活函数池化层使性能更好，更易于操作独立操作每个激活映射简介:conv、池化层和全连通层的堆积通常模型越深层次对模型更有帮助不一定需要池全连接层在分类时用到，其他非分类的可以不用全连接层...

下面是开始实现VGGNet-16。首先，我们载入几个系统库和Tensorflow。from datetime import datetimeimport mathimport timeimport tensorflow as tfVGGNet-16包含很多层卷积，我们先写一个函数conv_op，用来创建卷积层并把本层的参数存入参数列表。def conv_op(input_op,nam

AlexNet将CNN的基本原理应用到很深很广的网络中，AlexNet主要使用到的新技术点如下：（1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深网络中超过了Sigmoid成功解决了Sigmoid在网络较深时的梯度弥散问题。（2）训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合。在AlexNet中主要是最后几个全连接层使用了Dropout。（3）在CNN中使用

卷积神经网络（Convolutional Neural Network,CNN）,一般卷积神经网路由多个卷积层构成，每个卷积层中通常会进行如下几个操作：（1）图像通过多个不同的卷积核的滤波，并加偏置（bias），提取出局部特征，每一个卷积核会映射出一个新的2D图像。（2）将前面卷积核的滤波输出结果，进行非线性的激活函数处理，目前最常见的是ReLu函数，而以前Sigmoid函数用的比较多。

所谓的策略网络，即建立一个神经网络模型，它可以通过观察环境状态，直接预测出目前最应该执行的策略（policy），执行这个策略可以获得最大的期望收益（包括现在的和未来的reward）。和之前的任务不同，在强化学习中可能没有绝对正确的学习目标，样本的feature和label也不在一一对应。我们的学习目标是期望价值，即当前获得的reward和未来潜在的可获取的reward。所以在策略网络中不只是使用当

数据集是在mnist上进行测试。先载入 Tensorflow、Numpy，以及Tensorflow自带的MNIST数据读取器。我们直接使用input_data.read_data_sets下载并读取mnist数据集。import tensorflow as tfimport numpy as npfrom tensorflow.examples.tutorials.mnist impo

首先是载入各种依赖库，因为要从网络中下载数据，粗腰的依赖库比较多。import collectionsimport mathimport osimport randomimport zipfileimport numpy as npimport urllibimport tensorflow as tf这里使用urllib.request.urlretrieve下载数据的亚

Inception V1参数少但效果好的目的有两点：第一，参数越多模型越庞大，需要提供模型学习的数据量就越大，而目前高质量的数据非常昂贵。第二，参数越多，耗费的计算资源也会更大。Inception V1参数少但效果好的原因处理模型层数更深、表达能力更强外，还有两点：一是去除了最后逇全连接层，用全局平均池化层（即将图片尺寸变为1x1）来取代它，去除全连接层后模型训练更快并且减轻了过拟合。二是Ince

执行完python文件后，启动tensorboard，会发现没有任何graph图展示，那就注意了因为版本的不同，需要再py文件里增加语句：writer = tf.train.SummaryWriter('./my_graph', sess.graph)-----一般这个语句低版本可以，像1.2.0就不行,报错：module doesn't have attribute 'SummaryWr

当时看到英文的博客，本想翻译给感兴趣的同学们看看，没想到已经有人翻译，于是进行了转载，留给自己和更多的人学习，本文仅供参考。英文博客：https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html原文网址：ht

在普通神经网络的基础上，加入隐藏层，减轻过拟合的Dropout，自适应学习速率的Adagrad，以及可以解决梯度你三的激活函数Relu.首先是载入Tensorflow并加载MNIST数据集，创建一个Tensorflow默认的InteractiveSession,这样后面执行各项操作就无需指定Session。from tensorflow.examples.tutorials.mnist i

转载自：https://segmentfault.com/a/1190000003742422#articleHeader30x00. 图片读、写和显示操作安装好 OpenCV 之后，首先尝试加载一张最简单的图片并显示出来，代码示例：第一种方式使用cv2.cv的LoadImage、ShowImage和SaveImage函数import cv2.cv as cv# 读图片

最近领导让我做图片识别，把这两天的工作记录一下吧,虽然中间做的磕磕碰碰，但是一个好的开始，加油！好了不灌鸡汤了，let's  show！在做图片识别之前，需要对图片做处理，利用的是opencv（python 环境需要装）比如我们要识别的电表的数字如下图：下面是对该图片的做opencv处理,源代码如下：# coding=utf-8from __future__ impo