深度学习 标签

PaddlePaddle实现人脸识别系统二——使用MTCNN实现人脸检测

  |   0 评论   |   0 浏览   |   夜雨飘零

前一章我们已经介绍了常见的人脸数据集,在本章将要进行人脸识别的第二步人脸检测。在人脸识别任务中,首先是需要检查一张图片中是包含有人脸,然后把这个人脸裁剪出来,然后使用脸部的关键点进行人脸对齐,最后使用人脸对比方式完成人脸识别。

PaddlePaddle实现手写藏文识别

  |   0 评论   |   0 浏览   |   夜雨飘零

中央民族大学创业团队巨神人工智能科技在科赛网公开了一个 TibetanMNIST 正是形体藏文中的数字数据集,TibetanMNIST 数据集的原图片中,图片的大小是 350*350 的黑白图片,图片文件名称的第一个数字就是图片的标签,如 0_10_398.jpg 这张图片代表的就是藏文的数字 0。在本项目中我们结合第四章所学的卷积神经网络,来完成 TibetanMNIST 数据集的分类识别。

使用TensorFlow Lite在Android手机上实现图像分类

  |   0 评论   |   0 浏览   |   夜雨飘零

TensorFlow Lite 是一款专门针对移动设备的深度学习框架,移动设备深度学习框架是部署在手机或者树莓派等小型移动设备上的深度学习框架,可以使用训练好的模型在手机等设备上完成推理任务。这一类框架的出现,可以使得一些推理的任务可以在本地执行,不需要再调用服务器的网络接

在Android手机上使用腾讯的ncnn实现图像分类

  |   0 评论   |   0 浏览   |   夜雨飘零

在之前笔者有介绍过《在 Android 设备上使用 PaddleMobile 实现图像分类》,使用的框架是百度开源的 PaddleMobile。在本章中,笔者将会介绍使用腾讯的开源手机深度学习框架 ncnn 来实现在 Android 手机实现图像分类,这个框架开源时间比较长,相对稳定很多。

Caffe模型转PaddlePaddle的Fluid版本预测模型

  |   0 评论   |   0 浏览   |   夜雨飘零

有不少开发者在学习深度学习框架的时候会开源一些训练好的模型,我们可以使用这些模型来运用到我们自己的项目中。如果使用的是同一个深度学习框架,那就很方便,可以直接使用,但是如果时不同深度学习框架,我们就要对模型转换一下。下面我们就介绍如何把 Caffe 的模型转换成 PaddlePaddle 的 Fluid 模型。

在Android手机上使用PaddleMobile实现图像分类

  |   0 评论   |   0 浏览   |   夜雨飘零

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

深度学习神经网络中正则化的使用

  |   0 评论   |   0 浏览   |   夜雨飘零

如果训练数据集不够大,由于深度学习模型具有非常大的灵活性和容量,以至于过度拟合可能是一个严重的问题,为了解决这个问题,引入了正则化的这个方法。要在神经网络中加入正则化,除了在激活层中加入正则函数,应该 dropout 也是可以起到正则的效果。我们来试试吧。

《Improving Deep Neural Networks》的理论知识点

  |   0 评论   |   0 浏览   |   夜雨飘零
  1. 如果有 10,000,000 个例子,数据集拆分一般是 98% 训练,1% 验证,1% 测试。
  2. 验证和测试的数据集通常是来自同样的分配。
  3. 如果神经网络模型有很大的差异,一般的解决办法是增加数据集和添加正则。
  4. 当训练集错误较小,而验证集较大时,通常是增加正则 lambda、增加数据集。
  5. 当增加正则化超参数 lambda 时,权重会被推向更小,接近 0.

Python2实现简单的爬虫

  |   0 评论   |   0 浏览   |   夜雨飘零

有时候我们需要一些网络数据来工作、学习,比如我们做深度学习的。当做一个分类任务时,需要大量的图像数据,这个图像数据如果要人工一个个下载的,这很明显不合理的,这是就要用到爬虫程序。使用爬虫程序帮我们下载所需要的图像。那么我们就开始学习爬虫吧。