App Inventor和Data-View使用教程 置顶!
数据视图系统(Data-View)
用户上传不同类型的数据,根据不同的数据类型绘制成不同的图形。实现数据可视化,作为物联网或者 App Inventor 中的数据持久化平台使用。
同样地,你也可以通过 Data-View 制造数据,传输给,从而实现控制硬件。
数据视图系统(Data-View)
用户上传不同类型的数据,根据不同的数据类型绘制成不同的图形。实现数据可视化,作为物联网或者 App Inventor 中的数据持久化平台使用。
同样地,你也可以通过 Data-View 制造数据,传输给,从而实现控制硬件。
在深度学习中,我们经常会使用到 sigmoid 函数作为我们的激活函数,特别是在二分类上,sigmoid 函数是比较好的一个选择,以下就是 sigmoid 函数的公式:
现在越来越多的手机要使用到深度学习了,比如一些图像分类,目标检测,风格迁移等等,之前都是把数据提交给服务器完成的。但是提交给服务器有几点不好,首先是速度问题,图片上传到服务器需要时间,客户端接收结果也需要时间,这一来回就占用了一大半的时间,会使得整体的预测
如果读者使用过百度等的一些图像识别的接口,比如百度的细粒度图像识别接口,应该了解这个过程,省略其他的安全方面的考虑。这个接口大体的流程是,我们把图像上传到百度的网站上,然后服务器把这些图像转换成功矢量数据,最后就是拿这些数据传给深度学习的预测接口,比如是
我们在第六章介绍了生成对抗网络,并使用生成对抗网络训练 mnist 数据集,生成手写数字图片。那么本章我们将使用对抗生成网络训练我们自己的图片数据集,并生成图片。在第六章中我们使用的黑白的单通道图片,在这一章中,我们使用的是 3 通道的彩色图。
我们在第五章学习了循环神经网络,在第五章中我们使用循环神经网络实现了一个文本分类的模型,不过使用的数据集是 PaddlePaddle 自带的一个数据集,我们并没有了解到 PaddlePaddle 是如何使用读取文本数据集的,那么本章我们就来学习一下如何使用 PaddlePaddle 训练自己的文本数据集。我
本章将介绍如何使用 PaddlePaddle 训练自己的图片数据集,在之前的图像数据集中,我们都是使用 PaddlePaddle 自带的数据集,本章我们就来学习如何让 PaddlePaddle 训练我们自己的图片数据集。
VisualDL 是一个面向深度学习任务设计的可视化工具,包含了 scalar、参数分布、模型结构、图像可视化等功能。可以这样说:“所见即所得”。我们可以借助 VisualDL 来观察我们训练的情况,方便我们对训练的模型进行分析,改善模型的收敛情况。
在深度学习训练中,例如图像识别训练,每次从零开始训练都要消耗大量的时间和资源。而且当数据集比较少时,模型也难以拟合的情况。基于这种情况下,就出现了迁移学习,通过使用已经训练好的模型来初始化即将训练的网络,可以加快模型的收敛速度,而且还能提高模型的准确率。这
本系列教程中,前面介绍的都没有保存模型,训练之后也就结束了。那么本章就介绍如果在训练过程中保存模型,用于之后预测或者恢复训练,又或者由于其他数据集的预训练模型。本章会介绍三种保存模型和使用模型的方式。
本章介绍使用 PaddlePaddle 实现强化学习,通过自我学习,完成一个经典控制类的游戏,相关游戏介绍可以在 Gym 官网上了解。我们这次玩的是一个 CartPole-v1
游戏,操作就是通过控制滑块的左右移动,不让竖着的
我们上一章使用 MNIST 数据集进行训练,获得一个可以分类手写字体的模型。如果我们数据集的数量不够,不足于让模型收敛,最直接的是增加数据集。但是我们收集数据并进行标注是非常消耗时间了,而最近非常火的生成对抗网络就非常方便我们数据的收集。对抗生成网络可以根据之前的
除了卷积神经网络,深度学习中还有循环神经网络也是很常用的,循环神经网络更常用于自然语言处理任务上。我们在这一章中,我们就来学习如何使用 PaddlePaddle 来实现一个循环神经网络,并使用该网络完成情感分析的模型训练。
上一章我们通过学习线性回归例子入门了深度学习,同时也熟悉了 PaddlePaddle 的使用方式,那么我们在本章学习更有趣的知识点卷积神经网络。深度学习之所以那么流行,很大程度上是得益于它在计算机视觉上得到非常好的效果,而在深度学习上几乎是使用卷积神经网络来提取图像的特征
在第二章,我们已经学习了如何使用 PaddlePaddle 来进行加法计算,从这个小小的例子中,我们掌握了 PaddlePaddle 的使用方式。在本章中,我们将介绍使用 PaddlePaddle 完成一个深度学习非常常见的入门例子——线性回归,我们将分别使用自定义数据集和使用 PaddlePaddle 提供的数据集接口来训练一个线性回归模型。
在第一章介绍了 PaddlePaddle 的安装,接下来我们将介绍如何使用 PaddlePaddle。PaddlePaddle 是百度在 2016 年 9 月 27 日开源的一个深度学习框架,也是目前国内唯一一个开源的深度学习框架。PaddlePaddle 在 0.11.0 版本之后,开始推出 Fluid 版本,Fluid 版本相对之前的 V2 版本,Fluid 的代码结构
这一章我们介绍如何安装新版本的 PaddlePaddle,这里说的新版本主要是说 Fluid 版本。Fluid 是设计用来让用户像 Pytorch 和 Tensorflow Eager Execution 一样执行程序。在这些系统中,不再有模型这个概念,应用也不再包含一个用于描述 Operator 图或者一系列层的符号描述,而是像通用程
问题:计算每层网络结构和输入输出尺寸和参数个数。不加 BN?更深?每层的尺寸变化?更多结构?
本项目是基于 PaddlePaddle 的 DeepSpeech 项目开发的,做了较大的修改,方便训练中文自定义数据集,同时也方便测试和使用。DeepSpeech2 是基于 PaddlePaddle 实现的端到端自动语音识别(ASR)引擎,其论文为《Baidu’s Deep Speech 2 paper》 ,本项目同时还支持各种数据增强方法,以适应不同的使用场景。