作者:夜雨飘零


《我的PaddlePaddle学习之路》笔记三——CIFAR彩色图像识别

  |   0 评论   |   0 浏览   |   夜雨飘零

本次项目中使用的是一个 32*32 的彩色图像的数据集 CIFAR-10,CIFAR-10 数据集包含 10 个类的 60000 个 32x32 彩色图像,每个类有 6000 个图像。有 50000 个训练图像和 10000 个测试图像。数据集分为五个训练 batch 和一个测试 batch,每个 batch 有 10000 个图像。测试 batch 包含来自每个类 1000 个随机选择的图像。训练 batch 按照随机顺序包含剩余的图像,但是一些训练 batch 可能包含比另一个更多的图像。在他们之间,训练的 batch 包含每个类别正好 5000 张图片。

《我的PaddlePaddle学习之路》笔记四——自定义图像数据集的识别

  |   0 评论   |   0 浏览   |   夜雨飘零

如果我们要训练自己的数据集的话,就需要先建立图像列表文件,下面的代码是 Myreader.py 读取图像数据集的一部分,从这些代码中可以看出,图像列表中,图像的路径和标签是以 \t 来分割的,所以我们在生成这个列表的时候,使用 \t 就可以了。

《我的PaddlePaddle学习之路》笔记五——验证码的识别

  |   0 评论   |   0 浏览   |   夜雨飘零

本次使用的验证码是方正系统,现在很多的大学的教务系统用的就是这个方正系统,刚好既然那么普遍,我们就用它练一练手。经过观察大量的验证码发现,该系统的验证码只有小写的字母和数字,这样分类就少了很多了。该系统的验证码如下:

《我的PaddlePaddle学习之路》笔记六——验证码端到端的识别

  |   1 评论   |   0 浏览   |   夜雨飘零

在上一篇文章中介绍了验证码的识别,但是使用的传统的验证码分割,然后通过图像分类的方法来实现验证码的识别的,这中方法比较繁琐,工作量比较多。在本篇文章会介绍验证码端到端的识别,直接一步到位,不用图像分割那么麻烦了。好吧,现在开始吧!

《我的PaddlePaddle学习之路》笔记七——车牌端到端的识别

  |   0 评论   |   0 浏览   |   夜雨飘零

车牌识别的应用场景有很多,比如在停车场。通过车牌识别登记入库和出库的车辆的情况,并计算该车停留时间,然后折算费用。还可以在公路上识别来往的车辆,方便交警的检查等等。接下来我们就是使用 PaddlePaddle 来做一个车牌识别,我们直接通过段端到端识别,不用分割即可完成识别。在阅读这篇文章时,

《我的PaddlePaddle学习之路》笔记八——场景文字识别

  |   0 评论   |   0 浏览   |   夜雨飘零

场景文字识别到底有什么用呢,说得大一些在自动驾驶领域,公路上总会有很多的路牌和标识,这些路牌标识通常会有很多的文字说明,我们就要识别这些文字来了解它们的含义。还有老师在黑板上写的笔记,如果使用场景文字识别技术,我们直接拍个照,直接识别黑板中的文字内容,就可以省去很多抄笔记时间了。

《我的PaddlePaddle学习之路》笔记十——自定义图像数据集实现目标检测

  |   0 评论   |   0 浏览   |   夜雨飘零

在阅读这一篇文章之前,要先阅读上一篇文章使用 VOC 数据集的实现目标检测,因为大部分的程序都是使用上一篇文章所使用到的代码和数据集的格式。在这篇文章中介绍如何使用自定义的图像数据集来做目标检测。

《我的PaddlePaddle学习之路》笔记十一——新版本Fluid的使用

  |   0 评论   |   0 浏览   |   夜雨飘零

PaddlePaddle 的 Fluid 是 0.11.0 提出的,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,而是像通用程序那样描述训练或者预测的过程。而 Fluid 与 PyTorch 或 Eager Execution 的区别在于 Fluid 不依赖 Python 提供的控制流,例如 if-else-then 或者

《我的PaddlePaddle学习之路》笔记十二——可视化工具VisualDL的使用

  |   0 评论   |   0 浏览   |   夜雨飘零

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。

《我的PaddlePaddle学习之路》笔记十三——把PaddlePaddle部署到网站服务器上

  |   0 评论   |   0 浏览   |   夜雨飘零

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

《我的PaddlePaddle学习之路》笔记十四——把PaddlePaddle迁移到Android设备上

  |   0 评论   |   0 浏览   |   夜雨飘零

PaddlePaddle 还可以迁移到 Android 或者 Linux 设备上,在这些部署了 PaddlePaddle 的设备同样可以做深度学习的预测。在这篇文章中我们就介绍如何把 PaddlePaddle 迁移到 Android 手机上,并在 Android 的 APP 中使用 PaddlePaddle。

《PaddlePaddle从入门到炼丹》四——卷积神经网络

  |   0 评论   |   0 浏览   |   夜雨飘零

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

《PaddlePaddle从入门到炼丹》三——线性回归

  |   0 评论   |   0 浏览   |   夜雨飘零

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。

《PaddlePaddle从入门到炼丹》二——计算1+1

  |   0 评论   |   0 浏览   |   夜雨飘零

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

《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装

  |   0 评论   |   0 浏览   |   夜雨飘零

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

《PaddlePaddle从入门到炼丹》五——循环神经网络

  |   0 评论   |   0 浏览   |   夜雨飘零

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。

《PaddlePaddle从入门到炼丹》六——生成对抗网络

  |   0 评论   |   0 浏览   |   夜雨飘零

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

《PaddlePaddle从入门到炼丹》八——模型的保存与使用

  |   0 评论   |   0 浏览   |   夜雨飘零

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。