YOLO(You only look once)是流行的目标检测模型之一, 原版 Darknet 使用纯 C 编写,不需要安装额外的依赖包,直接编译即可. CPU环境搭建 (ubuntu 18.04) 1.获取图像检测训练模型  git clone https://github.com/pjreddie/darknet 下载好的darknet程序包如下图所示: 2.编译  cd darknet make 3.获取训练模型权重 (作者公布的) wget https://pjreddie.com/m

来自:http://deeplearning.net/software/theano/tutorial/printing_drawing.html Printing/Drawing Theano graphs Theano提供的函数theano.printing.pprint() 和 theano.printing.debugprint() 可以用来在编译前和后打印一个graph到终端上. pprint() 该函数更紧凑而且更偏向于数学形式, debugprint() 更为的详细. Theano

训练我们自己的数据 本篇继续之前的教程,下面我们尝试使用别人定义好的网络,来训练我们自己的网络. 1.准备数据 首先很重要的一点,我们需要准备若干种不同类型的图片进行分类.这里我选择从ImageNet上下载了3个分类的图片(Cat,Dog,Fish). 图片需要分两批:训练集(train).测试集(test),一般训练集与测试集的比例大概是5:1以上,此外每个分类的图片也不能太少,我这里每个分类大概选了5000张训练图+1000张测试图. 找好图片以后,需要准备以下文件: words.txt:分

steps/train_mono.sh --nj "$train_nj" --cmd "$train_cmd" data/train data/lang exp/mono || exit 1 data lang dir # 使用差分特征训练GMM模型 # 因为每一步训练的模型都会导致状态的均值发生变换,而决策树是与状态的分布相关的.也就是说,旧的决策树就不适用于新训练的模型.因此,需要重新为新模型训练新的决策树(根据特征和新的alignment). 流程: 使用特征

基本使用 使用图(graph)来表示计算任务 激活会话(Session)执行图 使用张量(tensor)表示数据 定义变量(Variable) 使用feed可以任意赋值或者从中获取数据,通常与占位符一起使用 1.综述 Tensorflow是一个开源框架,使用图来表示计算任务,图中的节点被称作op(operation),一个op获得0个或者多个Tensor,执行计算,产生0个或者多个Tensor,每个tensor是一个类型的多维数组.例如,你可以将一小组图像集表示为一个四维浮点数数字,这四个维度分

以下仅为了自己方便查看,绝大部分参考来源:莫烦Python,建议去看原博客 一.添加层 def add_layer() 定义 add_layer()函数 在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间. 神经层里常见的参数通常有weights.biases和激励函数. 然后定义添加神经层的函数def add_layer(),它有四个参数:输入值.输入的大小.输出的大小和激励函数,我们设定默认的激励函数是None. def add_layer(in

本节中的代码大量使用『TensorFlow』分布式训练_其一_逻辑梳理中介绍的概念,是成熟的多机分布式训练样例 一.基本概念 Cluster.Job.task概念:三者可以简单的看成是层次关系,task可以看成每台机器上的一个进程,多个task组成job:job又有:ps.worker两种,分别用于参数服务.计算服务,组成cluster. 同步更新 各个用于并行计算的电脑,计算完各自的batch 后,求取梯度值,把梯度值统一送到ps服务机器中,由ps服务机器求取梯度平均值,更新ps服务器上的参数

当我们把训练好的tensorflow训练图拿来进行预测时,会有多个训练时生成的节点,这些节点是不必要的,我们需要在预测的时候进行删除. 下面以bert的图为例,进行优化 def optimize_graph(self, checkpoint_file, model_config): import json tf = self.import_tf() from tensorflow.python.tools.optimize_for_inference_lib import optimize_fo

目录 train_mono.sh train_deltas.sh train_lda_mllt.sh train_sat.sh train_mono.sh 单音素训练脚本: //初始化,[topo feats] -> [0.mdl tree] gmm-init-mono //生成训练图,[0.mdl text l.fst] -> [train.fst] compile-train-graph //对标签进行初始化对齐[train.fst feats 0.mdl tree] -> [1.a

目录 1. gmm-init-mono 模型初始化 2. compile-train-graghs 训练图初始化 3. align-equal-compiled 特征文件均匀分割 4. gmm-acc-stats-ali 累积模型重估所需数据 5. gmm-sum-accs 并行数据合并 6. gmm-est 声音模型参数重估 7. gmm-boost-silence 模型平滑处理 8. gmm-align-compiled 特征重新对齐 9. train_mono.sh 整体流程详解 转载注明

简介 TensorFlow使用数据流图将计算表示为独立的指令之间的依赖关系.这可生成低级别的编程模型,在该模型中,您首先定义数据流图,然后创建TensorFlow会话,以便在一组本地和远程设备上运行图的各个部分. 如果您计划直接使用低级别编程模型,,本指南将是您最实用的参考资源.较高阶的API(例如tf.estimator.Estimator和Keras)会向最终用户隐去图和会话的细节内容,但如果您希望理解这些API的实现方式,本指南仍会对你有所帮助. 为什么使用数据流图? 数据流是一种用于并行

简介 本章的目的是让你了解和运行 TensorFlow! 在开始之前, 让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码, 让你对将要学习的内容有初步的印象. 这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它. import tensorflow as tf import numpy as np # 使用 NumPy 生成假数据(phony data), 总共 100 个点. x_data = np.float32(np.random.ra

Minst训练 我的路径:G:\Caffe\Caffe For Windows\examples\mnist  对于新手来说,初步完成环境的配置后,一脸茫然.不知如何跑Demo,有么有!那么接下来的教程就是我们这些新手的福利了. 第一步:如果前面的train_net.cpp编译通过了,那么这个就非常简单.Caffe训练和测试的数据都是需要leveldb格式的,niuzhiheng大牛已经给我们转好了MNIST的数据格式.如下图:  第二步:如上图所示,文件夹下有个get_mnist_leveld

https://www.jianshu.com/p/a672f702e596 本文记录了在ubuntu16.04下使用py-faster-rcnn来训练自己的数据集的大致过程. 在此之前,已经成功配置过了caffe-gpu,使用的显卡是GTX1080ti,安装的cuda8.0.61+cudnn v5.1,caffe-gpu的配置过程可以参考:Ubuntu16.04配置caffe-GPU环境. 第一步:制作自己的数据集 首先,为了方便,可以将自己的训练图像名称改成PASCAL VOC格式,比如我自

摘要:本文提出一种基于局部特征保留的图卷积网络架构,与最新的对比算法相比,该方法在多个数据集上的图分类性能得到大幅度提升,泛化性能也得到了改善. 本文分享自华为云社区<论文解读:基于局部特征保留的图卷积神经网络架构(LPD-GCN)>,原文作者:PG13 . 近些年,很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用.但是,当前的图卷积网络方法无法有效地保留图的局部信息,这对于图分类任务尤其严重,因为图分类目标是根据其学习的图级表示来区分不同的图结构.为了解决该问题,这篇文章提

本项目参考: https://aistudio.baidu.com/aistudio/projectdetail/5012408?contributionType=1 *一.正题篇:DeepWalk.word2vec.node2vec 其它相关项目: 关于图计算&图学习的基础知识概览:前置知识点学习(PGL)[系列一] https://aistudio.baidu.com/aistudio/projectdetail/4982973?contributionType=1 图机器学习(GML)&am

一.概述 1.1选题背景 随着时代的发展,人们的生活节奏越来越快,生活质量也越来越高,但却在繁忙之中忽略或者忘记了关心自己成长时代最重要或者最正确的事情和道理.虽然现在有很多社交平台,如微博,微信,facebook等,这些都是人们在表达自己的看法和感受,却没有人告诉你这个年龄你应该懂得道理,很多父母可能知道这些事情,但是却不善于对孩子们表达.也有很多住校生,留守儿童,他们见到父母或者长辈的次数可能很少,就缺少了最直接的关心和陪伴.也有很多孩子小时候可能会犯一些错误,做一些错的事情,等到长大后就会

本文是在阅读官方文档后的一些个人理解. 官方文档地址:https://www.tensorflow.org/versions/r0.12/get_started/basic_usage.html#basic-usage 关于tensor和op的理解 Nodes in the graph are called ops (short for operations). An op takes zero or more Tensors, performs some computation, and pr

Xiang Bai--[CVPR2016]Multi-Oriented Text Detection with Fully Convolutional Networks 目录 作者和相关链接 方法概括 方法细节 创新点和贡献 实验结果 问题讨论 总结与收获点 作者和相关链接 作者: paper下载 方法概括 Step 1--文本块检测: 先利用text-block FCN得到salient map,再对salient map进行连通分量分析得到text block: Step 2--文本线形成:

TensorFlow [1] is an interface for expressing machine learning algorithms, and an implementation for executing such algorithms. TensorFlow的功能:1.提供接口表达机器学习算法.2.执行这些机器学习算法. A computation expressed using TensorFlow can be executed with little or no chan

Rinspect_gasket_local_deformable.hdev   检测垫圈局部变形   *这个例子演示了如何利用局部变形匹配(local deformable matching)来寻找出垫圈是否变形   dev_update_off()   Smoothness:=25   read_image(ModelImage,..   read_image( Image,......   下面是ModelImage和Image(两个基本相近,肉眼难辨)     显示信息不予赘述...