- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习框架
花朵分类(一)
本次教程的目的是带领大家学会基本的花朵图像分类 首先我们来介绍下数据集，该数据集有5种花，一共有3670张图片，分别是daisy、dandelion、roses、sunflowers、tulips，数据存放结构如下所示 我们可以展示下roses的几张图片 接下来我们需要加载数据集，然后对数据集进行划分，最后形成训练集、验证集、测试集，注意此处的验证集是从训练集切分出来的，比例是8:2 对数据进行探索的时候，我们发现原始的像素值是 tf.keras.Sequential([ tf.keras.layers.experimental.preprocessing.Rescaling(1./255), tf.keras.layers.Conv2D (32, 3, activation='relu'), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Conv2D(32, 3, activation ='relu'), tf.keras.layers.MaxPooling2D(), tf.keras.layers.Conv2D(32, 3, activation='relu'), tf.keras.layers.MaxPooling2D
66720发布于 2021-07-29 - 来自专栏用户5033944的专栏
“花朵分类“ 手把手搭建【卷积神经网络】
前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类； 使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它。 卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。 特征提取——卷积层与池化层 实现分类——全连接层 CNN 的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近
2.4K30发布于 2021-05-13 - 来自专栏AI科技大本营的专栏
热文 | 卷积神经网络入门案例，轻松实现花朵分类
作者 | 黎国溥 责编 | 寇雪芹 出品 | AI 科技大本营（ID:rgznai100） 前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类；使用到TF 的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它 构建模型 常见卷积神经网络（CNN），主要由几个 卷积层Conv2D 和 池化层MaxPooling2D 层组成。卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。 特征提取——卷积层与池化层 实现分类——全连接层 CNN 的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近
1.2K30发布于 2021-06-08 - 来自专栏嵌入式视觉
使用 CNN 进行图像分类
图像分类是计算机视觉中最基础的任务，基本上深度学习模型的发展史就是图像分类任务提升的发展历史，但是图像分类并不是那么简单，也没有被完全解决。 图像分类 图像分类顾名思义就是一个模式分类问题，它的目标是将不同的图像，划分到不同的类别，实现最小的分类误差。 1，单标签分类：总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类(cifar10)，子类细粒度图像分类(Caltech-UCSD Birds-200-2011)，以及实例级图像分类 2，多标签分类：多标签分类问题，通常有两种解决方案，即转换为多个单标签分类问题，或者直接联合研究。前者，可以训练多个分类器，来判断该维度属性的是否，损失函数常使用softmax loss。 参考资料 不懂得如何优化CNN图像分类模型？这有一份综合设计指南请供查阅 【技术综述】你真的了解图像分类吗？
1.2K10编辑于 2022-09-05 - 来自专栏人工智能LeadAI
用CNN做句子分类：CNN Sentence Classification (with Theano code)
01 Intro 本篇文章来细说CNN在NLP中的一大应用————句子分类。通过Yoon Kim的论文介绍一个应用，分析代码，并重构代码。 ） 传统的句子分类器一般使用SVM和Naive Bayes。 的Word2Vector工具(COW模型)得到的结果，但是会在训练过程中被Fine tuned； CNN-multichannel: CNN-static和CNN-non-static的混合版本，即两种类型的输入 这很容易理解，不同的kernel想获取不同范围内词的关系；和图像不同的是，nlp中的cnn的kernel的宽(w)一般都是图像的宽，也就是word2vec的维度，这也可以理解，因为我们需要获得的是纵向的差异信息 model architecture: CNN-non-static using: word2vec vectors [('image shape', 64, 300), ('filter shape
2.4K61发布于 2018-03-08 - 来自专栏全栈程序员必看
CNN垃圾分类_垃圾分类卡通画
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
41410编辑于 2022-11-08 - 来自专栏毛利学Python
深度学习图片分类CNN模板
, Dropout, MaxPooling2D, BatchNormalization def build_cnn_model(): cnn_model=tf.keras.Sequential ), MaxPooling2D((2,2)), BatchNormalization(), Dropout(0.4), Conv2D(filters=128 (2,2), BatchNormalization(), Dropout(0.4), Conv2D(filters=64,kernel_size=( (), Dense(units=len(categories),activation='softmax') ]) return cnn_model model = build_cnn_model() # Initialize the model by passing some data through model.predict(images[[0]]) # Print
1.2K20编辑于 2022-09-22 - 来自专栏Michael阿明学习之路
使用CNN进行情感分类
读取数据 2. 数据集拆分 3. 文本向量化 4. 建立CNN模型 5. 训练、测试 参考 基于深度学习的自然语言处理 1. 读取数据 数据文件： ? # 数据 X 和 标签 y sentence = data['sentence'].values label = data['label'].values 2. 建立CNN模型 from keras import layers embeddings_dim = 150 filters = 64 kernel_size = 5 batch_size = 64 nn_model.add(layers.Dense(10, activation='relu')) nn_model.add(layers.Dense(1, activation='sigmoid')) # 二分类 sigmoid, 多分类 softmax 参考文章： Embedding层详解 Keras: GlobalMaxPooling vs.
1.3K10发布于 2021-02-19 - 来自专栏专知
基于 word2vec 和 CNN 的文本分类 ：综述 &实践
优缺点： 优点：1.简洁直观，可以应用到很多领域（文本分类、生物信息学等）2.支持部分匹配和近似匹配，结果可以排序 3. 检索效果不错 缺点：1.理论上支持不够，基于直觉的经验性公式。 2. 深度学习文本分类方法 ---- 卷积神经网络(TextCNN) 循环神经网络(TextRNN) TextRNN+Attention TextRCNN(TextRNN+CNN) 本文采用的是卷积神经网络( 红色：word2vec+CNN(max_pooling)在验证集上的准确率走势图 黄色和蓝色：word2vec+CNN(batch normalization & chunk max_pooling:2 红色：word2vec+CNN(max_pooling) 在验证集上的Loss走势 黄色和蓝色：word2vec+CNN(batch normalization & chunk max_pooling: ，追求卓越 一些参考文献 ---- CSDN-基于tensorflow的CNN文本分类 CSDN-深度学习在文本分类中的应用 知乎-用深度学习解决大规模文本分类的问题-综述和实践 简书-利用tensorflow
2.1K90发布于 2018-04-10 - 来自专栏社区的朋友们
基于 word2vec 和 CNN 的文本分类 ：综述 & 实践
2.文本分类综述 2.1 文本分类的发展历史 文本分类最早可以追溯到上世纪50年代，那时主要通过专家定义规则来进行文本分类 80年代出现了利用知识工程建立的专家系统 90年代开始借助于机器学习方法，通过人工特征工程和浅层分类模型来进行文本分类 优缺点： 优点：1.简洁直观，可以应用到很多领域（文本分类、生物信息学等）2.支持部分匹配和近似匹配，结果可以排序 3. 检索效果不错 缺点：1.理论上支持不够，基于直觉的经验性公式。 2. 红色：word2vec+CNN(max_pooling)在验证集上的准确率走势图 黄色和蓝色：word2vec+CNN(batch normalization & chunk max_pooling:2 chunk)在验证集上的准确率走势图 红色：word2vec+CNN(max_pooling) 在验证集上的Loss走势 黄色和蓝色：word2vec+CNN(batch normalization 一些参考文献 CSDN-基于tensorflow的CNN文本分类 CSDN-深度学习在文本分类中的应用 知乎-用深度学习解决大规模文本分类的问题-综述和实践 简书-利用tensorflow实现卷积神经网络做文本分类
19.5K71发布于 2017-08-31 - 来自专栏全栈程序员必看
CNN简单实战：pytorch搭建CNN对猫狗图片进行分类
在上一篇文章：CNN训练前的准备：pytorch处理自己的图像数据（Dataset和Dataloader），大致介绍了怎么利用pytorch把猫狗图片处理成CNN需要的数据，今天就用该数据对自己定义的CNN 网络 class cnn(nn.Module): def __init__(self): super(cnn, self). =2), ) # self.conv2 = nn.Sequential( nn.Conv2d( in_channels ), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size=2), ), nn.BatchNorm2d(64), nn.ReLU(), nn.MaxPool2d(kernel_size=2),
84411编辑于 2022-07-01 - 来自专栏KI的算法杂记
CNN实战（二）：pytorch搭建CNN对猫狗图片进行分类
CNN模型进行训练及测试。 (kernel_size=2), ) # 输出分类信息 self.output = nn.Linear(in_features=256 * 14 * 14 ') 一共训练30轮，训练的步骤如下： 1.初始化模型： model = cnn().to(device) 2.选择优化器以及优化算法，这里选择了Adam： optimizer = optim.Adam %d.jpg' data1 = init_process(path1, [0, 500]) path2 = 'cnn_data/data/training_data/dogs/dog. %d.jpg' data2 = init_process(path2, [0, 500]) path3 = 'cnn_data/data/testing_data/cats/cat.
3.2K20编辑于 2022-09-16 - 来自专栏云时之间
NLP系列学习：CNN文本分类
这篇文章也可以算是CNN用于文本分类的开山之作了，尽管第一个使用CNN进行文本分类的不是Yoon Kim，但是Kim在这篇文章里提出来不少的方法，并且调参的过程也很详细，这些是我们应该学习的。 我们传统的分类器比如朴素贝叶斯和SVM这样的，大多数将文本表示的方法是将其转换为“词袋模型”，主要还是根据在文本中出现的词频来做的，这样也会导致词与词之间的序列信息丢失，我们分词之后，句子本身相当于切成一块一块 2：模型输入的数据格式 文章中模型的输入的格式进行了四种尝试，然后进行对比，有以下四种： CNN-rand: 所有的 word vector 都是随机初始化的，同时当做训练过程中优化的参数； CNN-static : 所有的 word vector 直接使用 Word2Vec 工具得到的结果，并且是固定不变的； CNN-non-static: 所有的 word vector 直接使用 Word2Vec 工具得到的结果 全连接层+softmax层 池化之后的一维向量通过全连接的方式接入一个softmax层进行分类，并且在全连接部分使用Dropout,减少过拟合。
76450发布于 2018-08-17 - 来自专栏李智的专栏
斯坦福CS231n - CNN for Visual Recognition（1）-lecture2图像分类、最近邻分类器
本节主要简单介绍了图像分类和流程，讲解了最近邻分类器的原理以及超参数的的调优与交叉验证 图像分类 顾名思义，就是给定一个图像，判断出它属于哪一个类。 图像分类面临的困难：视角变化、大小变化、形变、遮挡、光照条件、背景干扰、类内差异等 图像分类流程：输入->学习->评价 ---- 最近邻分类器 NN分类器的原理非常简单。 针对图像分类来说，就是将给定的图像与带标签的图像逐个像素进行比较，选取距离最小图像的标签作为给定图像类别的预测，这里可以计算L1距离和L2距离。 距离公式（欧氏距离）： d2(I1,I2)=∑p(Ip1−Ip2)2−−−−−−−−−−√ d_2(I_1,I_2)= \sqrt{\sum\limits_{p} (I_1^p-I_2^p)^2} 1. 实际中在图像分类中很少使用KNN，因为KNN实质是比较像素的差异，导致图像更多的是按照背景和颜色被分类。 2.
59710发布于 2018-08-03 - 来自专栏深度学习自然语言处理
DNNLSTMText-CNN情感分类实战与分析
www.cs.cornell.edu/people/pabo/movie-review-data/ 数据在我的GitHub中也有，所以pull了代码的话就可以不用单独下载数据了~ 这个数据集是用来做情感分类 ---- 四、CNN模型 1、模型结构 与LSTM捕捉长序列的特点不同，CNN捕捉的是局部特征。我们都知道CNN在图上处理中取得了很不错的效果，这是因为它的卷积和池化操作可以捕捉到图像的局部特征。 不同于之前的模型，这里loss上添加了全连接层权重W的L2正则。虽然Yoon Kim说加不加L2无所谓，但是我自己尝试以后发现加了L2会带来模型在test上的性能提升。 其中，DNN和RNN在test上的准确率相差无几，而CNN在test上的准确率要高出1%~2%，multi-channels CNN在test准确率高达76.93%，并且训练次数也较少。 例如，上面的红色框是一个size=3的filter，蓝色框是一个size=2的filter。他们分别能够捕捉到局部的”没有-好演员“和”不-喜欢“这样的否定关系，因此也一样能够正确对句子进行分类。
2.9K30发布于 2019-08-09 - 来自专栏Spark学习技巧
译：Tensorflow实现的CNN文本分类
翻译自博客：IMPLEMENTING A CNN FOR TEXT CLASSIFICATION IN TENSORFLOW 原博文：http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow / github：https://github.com/dennybritz/cnn-text-classification-tf 在这篇文章中，我们将实现一个类似于Kim Yoon的卷积神经网络语句分类的模型 本文提出的模型在一系列文本分类任务（如情感分析）中实现了良好的分类性能，并已成为新的文本分类架构的标准基准。 本文假设你已经熟悉了应用于NLP的卷积神经网络的基础知识。 因为这是是一篇教学性质的博客，所以对于原始文献的模型进行一下简化： 我们不会对我们的词嵌入使用预先训练的word2vec向量。 相反，我们从头开始学习嵌入。 我们不会对权重向量执行L2规范约束。 分类问题的标准损失函数是交叉熵损失 cross-entropy loss。 ?
1.6K50发布于 2018-06-22 使用CNN模型解决图像分类问题(tensorflow)
使用CNN模型解决图像分类问题(tensorflow)在深度学习领域，卷积神经网络（Convolutional Neural Network，CNN）在图像分类问题中取得了显著的成功。 本文将使用TensorFlow或Keras编写一个简单的CNN模型来解决图像分类问题。简介卷积神经网络是一种专门用于处理图像识别任务的深度学习模型。 CNN模型构建我们将构建一个简单的CNN模型，包括多个卷积层和池化层，最后连接全连接层进行分类。 经典案例：CNN垃圾分类（tensorflow）功能说明我们构建一个垃圾分类的APP，用户可以通过拍照上传垃圾图片，系统可以自动识别属于哪一类垃圾：可回收垃圾、有害垃圾、湿垃圾和干垃圾。 CNN模型构建我们将构建一个简单的CNN模型，用于垃圾图像的分类。
1.1K10编辑于 2024-03-25- 来自专栏深度学习和计算机视觉
亚马逊：用CNN进行图像分类的Tricks
Image Classification with Convolutional Neural Networks 论文地址：https://arxiv.org/pdf/1812.01187.pdf 摘要：图像分类研究近期的多数进展都可以归功于训练过程的调整 我们将展示通过组合不同的微调方法，我们可以显著地改善多种 CNN 模型。例如，我们将 ImageNet 上训练的 ResNet-50 的 top-1 验证准确率从 75.3% 提升到 79.29。 本研究还表明，图像分类准确率的提高可以在其他应用领域（如目标检测和语义分割）中实现更好的迁移学习性能。 输入主干有一个 7×7 卷积，输出通道有 64 个，步幅为 2，接着是 3 ×3 最大池化层，步幅为 2。输入主干（input stem）将输入宽度和高度减小 4 倍，并将其通道尺寸增加到 64。 第一个卷积的步幅为 2，以将输入长度和宽度减半，最后一个卷积的输出通道比前两个大 4 倍，称为瓶颈结构。
94510编辑于 2021-12-09 - 来自专栏月亮与二进制
CNN训练与测试人脸图片分类（TensorFlow）
实验需要判断人脸是否戴了眼镜，所以参考网上的文章弄了个简单的CNN图片分类器来做戴眼镜与否的判定。 1327.149698 train acc: 0.575101 validation loss: 25.071056 validation acc: 0.845982 很正常，毕竟是二分类 i+1,"face is belong to:"+face_dict[output[i]]) 这里我们放入五张人脸图片作为测试数据，注意，这里的测试与上文训练代码中的测试不是一个意思，这里是真正用来做分类 五张测试用的明星脸 “face_dict”数组保存了分类结果的说明，训练后如果分类为1表示戴了眼镜，如果分类为0表示没戴眼镜，最后的代码也可以看到结果输出是用这个数组来转换结果的。 我的工程：https://github.com/Cloudox/CNN_Face_Glass_Classfy 参考文章：http://blog.csdn.net/Enchanted_ZhouH/article
1.2K30发布于 2021-11-23 - 来自专栏我还不懂对话
Implementing a CNN for Text Classification in TensorFlow（用tensorflow实现CNN文本分类） 阅读笔记
原博客：http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/ 数据和预处理 第一层把词嵌入到低纬向量；第二层用多个不同大小的filter进行卷积；第三层用max-pool把第二层多个filter的结果转换成一个长的特征向量并加入dropout正规化；第四层用softmax进行分类 简化模型，方便理解： 不适用预训练的word2vec的词向量，而是学习如何嵌入 不对权重向量强制执行L2正规化 原paper使用静态词向量和非静态词向量两个同道作为输入，这里只使用一种同道作为输入 时allow_soft_placement使得可以在cpu操作 log_device_placement用于设备的log，方便debugging FLAGS是程序的命令行输入 CNN 例如对最后一层的权重进行L2惩罚，使得正确率提升到76%，接近原始paper
95130发布于 2021-10-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号