soderayer的博客

本篇文章将详细介绍Tensorflow2.x中模型训练标签顺序和预测结果标签顺序不一致问题，这个问题如果考虑不周，或者标签顺序没有控制好的情况下会出现预测结果精度极其不准确的情况。训练数据集的结构：数据集有超过10的类别数，这里包含16类数据，每个类别放置到一个文件夹中，文件夹名称按照其类别命名为1,2,3……16。文件夹结构如下图所示：这组数据在系统中的排序是1,2,3,4,……顺序排序的。

在 TensorFlow 2 中，编译模型时可以选择不同的损失函数来定义模型的目标函数。不同的损失函数适用于不同的问题类型和模型架构。：MSE 是回归问题中常用的损失函数，用于衡量预测值与真实值之间的平均平方差。较大的误差会得到更大的惩罚，适用于回归任务。二进制交叉熵是二分类问题中常用的损失函数，用于衡量两个类别之间的差异性。适用于二分类问题，输出为一个概率值的 sigmoid 激活的模型。：多类交叉熵是多分类问题中常用的损失函数，用于衡量多个类别之间的差异性。

上一篇文章中说明了数据深度学习模型保存、读取、参数查看和图像预测等方法，但是图像预测部分没有详细说明，只是简单预测了单张图片，实际应用过程中，我们需要预测大量的图片数据。本文介绍两种图片预测方法，并输出预测结果和报告。

最近新配置并重装了一台电脑，内存只有48G,虚拟内存系统默认配置的，如下图，可以看到大概有5.3G,在计算过程中，发现可用的内存自动提高了，由原来的63.3G变成了116G,先电脑系统磁盘分配了850G,空间够大，如果可用空间不够，估计就不会自动分配了，原来就是可用空间不太多，会中断预测过程。首先，如果内存只差一点点的情况下，我们可以尽量关闭其他正在运行的不相关应用程序，尽可能多的释放内存，同时也可以减少其他应用程序的干扰，实际应用过程中，有时候真的就会干扰到深度学习的计算过程导致中断。

Tensorflow2 图像分类-Flowers数据及分类代码详解这篇文章中，经常有人问到怎么保存模型？怎么读取和应用模型进行数据预测？这里做一下详细说明，原文代码做了少量修改：修改的代码包含：（1）修改了模型，增加了一个卷积层（2）增加模型保存代码；（3）增加模型读取代码，并使用读取到的模型预测图片模型训练效果15次epoch有75.61%的精度，增加训练次数应该还有一定提升空间。训练模型的保存实际上只需一行代码就行，在模型训练完成之后，我们将模型保存到指定的路径并给模型命名。模型保存的格式是.h5

汇总一些深度学习网络结构图的工具，这些软件都是只能作为模型图的辅助，更常见的模型组合型的图还是要ppt来画了，或许还有visio。

activation 激活值activation function 激活函数additive noise 加性噪声autoencoder 自编码器Autoencoders 自编码算法average firing rate 平均激活率average sum-of-squares e...

tensorflow2图像分割环境配置：import tensorflow as tffrom tensorflow_examples.models.pix2pix import pix2piximport tensorflow_datasets as tfdstfds.disable_progress_bar()from IPython.display import clear_outputimport matplotlib.pyplot as plt主要是“from tensor

一 、概述之前写了一篇计算叶片面积的文章，后来想想其实没有那么复杂，直接二值化计算即可得到，原来的代码写了几十行，其实十余行就可以计算得到叶片面积了。原文：使用Python+opencv+k-means根据扫描图片计算叶片面积使用相同的叶片图片进行计算，图片如下：二、简洁代码代码如下：import cv2img0 = cv2.imread(r'02.jpg', flags=1)img0 = img0[1:, 1:, 0] #获取B通道图片，B通道更能区别叶片色彩；且将不必

这两个函数经常用来创建深度学习的数据集，有些类似，但也有不同，不同在于数据返回的类型不一样。1.flow_from_directory()keras_preprocessing.image.image_data_generator.ImageDataGenerator.flow_from_directory()def flow_from_directory(self, directory: Any,

1.tf.nn.maxpool2d()函数介绍tf.nn.max_pool2d(input, ksize, strides, padding, data_format='NHWC', name=None)参数说明： Args input A 4-DTensorof the format specified bydata_format. ksize An int or list ofintsthat has length1,2or4. The ...

1.tf.nn.con2d()函数介绍tf.nn.con2d()函数参数如下图所示：tf.nn.conv2d( input, filter, strides, padding, use_cudnn_on_gpu=True, data_format='NHWC', dilations=[1, 1, 1, 1], name=None)参数说明参考：https://tensorflow.google.cn/api_docs/pytho...

import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport tensorflow_datasets as tfdsfrom tensorflow.keras import layers(train_ds, val_ds, test_ds), metadata = tfds.load( 'tf_flowers', split=['train[:80%]', 'train[80%:9.

import tensorflow as tffrom tensorflow_examples.models.pix2pix import pix2piximport tensorflow_datasets as tfdstfds.disable_progress_bar()import matplotlib.pyplot as pltfrom IPython.display import clear_outputfrom IPython import displaydataset,.

import cv2import numpy as npnp.set_printoptions(threshold=np.inf)from sklearn.cluster import KMeansimg0 = cv2.imread(r'paviau_area_16bit2.tif', flags=1)img0 = img0[1:, 1:, 0] # 获取B通道图片，B通道更能区别叶片色彩；且将不必要部分截除，便于处理。cv2.imshow("imagin0", img0)cv2.wai.

1、基本步骤(1) 检查和熟悉数据(2) 构建输入管道(3) 构建模型(4) 训练模型(5) 测试模型(6) 改进模型并重复此过程Examine and understand data Build an input pipeline Build the model Train the model Test the model Improve the model and repeat the process2.数据下载2.1 环境需要使用到的库如下：im.

1.软硬件环境python3.7、pycharm-community-2021.1.1、tensorflow2.52.MNIST数据集下载和介绍地址：MNIST数据集下载地址Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本) Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,00

样本数据：代码：import cv2import numpy as npfrom sklearn.cluster import KMeansdef calculateNumber(A, b): num = 0 for i in range(len(A)): for j in range(len(A[0])): if A[i][j] == b: num += 1 return numi

1.问题描述运行一段示例代码（如下），报错 [WinError 10061] 由于目标计算机积极拒绝，无法连接。代码中涉及下载在线资源。示例代码：2.问题原因及解决方法原因：网络问题，一是可能网速太慢，而实网络环境问题，对于一些网站资源阻止了。解决办法：换一个网络，或者连接手机网络即可解决。...

1.运行环境pycharm-community-2021.1.2.expython3.7tensorflow2.52.c