2. 程式人生 > >實戰 | 基於深度學習模型VGG的影象識別（附程式碼）

實戰 | 基於深度學習模型VGG的影象識別（附程式碼）

阿新 • • 發佈：2019-02-16
def train():
   data_dim = 3 * 32 * 32
   class_dim = 10
   image = paddle.layer.data(
       name="image", type=paddle.data_type.dense_vector(data_dim))
   net = vgg_bn_drop(image)
   out = paddle.layer.fc(input=net,
                         size=class_dim,
                         act=paddle.activation.Softmax())
   lbl = paddle.layer.data(
       name="label"
, type=paddle.data_type.integer_value(class_dim))
   cost = paddle.layer.classification_cost(input=out, label=lbl)
   parameters = paddle.parameters.create(cost)
   print(parameters.keys())
   momentum_optimizer = paddle.optimizer.Momentum(
       momentum=0.9,
       regularization=paddle.optimizer.L2Regularization(rate=0.0002
* 128),
       learning_rate=0.1 / 128.0,
       learning_rate_decay_a=0.1,
       learning_rate_decay_b=50000 * 100,
       learning_rate_schedule='discexp')
   # Create trainer
   trainer = paddle.trainer.SGD(cost=cost,
                                parameters=parameters,
                                update_equation=momentum_optimizer)
   reader = paddle.batch(
       paddle.reader.shuffle(
           paddle.dataset.cifar.train10(), buf_size=50000
),
       batch_size=128)
   feeding = {'image': 0,
              'label': 1}
   trainer.train(
       reader=reader,
       num_passes=200,
       event_handler=event_handler,
       feeding=feeding)

相關推薦

實戰 | 基於深度學習模型VGG的影象識別（附程式碼）

def train():    data_dim = 3 * 32 * 32    class_dim = 10    image = paddle.layer.data(        name="image", type=paddle.data_type.dense_vector(data_dim))  

基於深度學習的Person Re-ID（特徵提取）

一. CNN特徵提取        通過上一篇文章的學習，我們已經知道，我們訓練的目的在於尋找一種特徵對映方法，使得對映後的特徵 “類內距離最小，類間距離最大”，這種特徵對映 可以看作是 空間投影，選擇一組基，得到基於這組基的特徵變換，與 PCA 有點像。        這

機器學習中的優化演算法（附程式碼）

摘要 > 優化演算法指通過改善訓練方式，來最小化(或最大化)損失函式E(x) 區域性最優問題 區域性最優與鞍點。在神經網路中，最小化非凸誤差函式的另一個關鍵挑戰是避免陷於多個其他區域性最小值中。實際上，問題並非源於區域性極小值，而是來自鞍點，即一個維度向上傾斜且

生成對抗網路GAN---生成mnist手寫數字影象示例（附程式碼）

Ian J. Goodfellow等人於2014年在論文Generative Adversarial Nets中提出了一個通過對抗過程估計生成模型的新框架。框架中同時訓練兩個模型：一個生成模型（generative model）G，用來捕獲資料分佈；一個判別模型(discri

基於深度學習的CT影象肺結節自動檢測技術六—模型預測

#模型預測的相關功能 from chapter4 import get_unet from chapter5 import get_3dnnnet, stack_2dcube_to_3darray, prepare_image_for_net3D, MEAN_

基於深度學習的CT影象肺結節自動檢測技術五—3dcnn優化模型

import os import random from keras import layers from keras import backend as K from keras.layers import Input, Convolution3D, MaxP

基於深度學習做命名實體識別

note 深度學習 以及 效果 數據集 pre 之前 得到 高達 基於CRF做命名實體識別系列 用CRF做命名實體識別(一) 用CRF做命名實體識別(二) 用CRF做命名實體識別(三) 摘要 1. 之前用CRF做了命名實體識別，效果還可以，最高達到0.9293，當然這是自己

深度學習功能使影象識別洞察力更快速

僅在社交網路上，每天就有超過20億張圖片被分享。研究表明，一個人要花十年的時間才能看完Snapchat（色拉布）上所有的照片。這是一項相當乏味的任務，而且遠遠超過了人類的能力。媒體購買者和提供者在安排相關內容時遇到困難，分析影象/視訊的組成部分，並以有效的方式生成內容定義投資回報。快速、準確、自動地

基於深度學習模型Wide&Deep的推薦

本實驗選用資料為UCI開源資料集，僅用於學習，請勿商用） Wide&Deep推薦演算法出自一篇論文《Wide&Deep Learning for RecommenderSystems》，Wide&Deep由兩部分組成，分別是Wide和Deep。先來說wide，表示的是generali

基於深度學習的CT影象肺結節自動檢測技術一——資料預處理（歸一化，資料增強，資料標記）

開發環境 Anaconda:jupyter notebook /pycharm pip install SimpleItk # 讀取CT醫學影象 pip install tqdm # 可擴充套件的Python進度條，封裝

語音識別——基於深度學習的中文語音識別系統實現（程式碼詳解）

文章目錄 利用thchs30為例建立一個語音識別系統 1. 特徵提取 2. 模型搭建 搭建cnn+dnn+ctc的聲學模型 3. 訓練準備 下載資料

基於深度學習模型Wide&Deep的推薦

本實驗選用資料為UCI開源資料集，僅用於學習，請勿商用） Wide&Deep推薦演算法出自一篇論文《Wide&Deep Learning for RecommenderSystems》，Wide&Deep由兩部分組成，分別是Wide和Deep。先來說wide，表示的是generali

基於深度學習的遙感影象分類總概

部落格轉載自：https://blog.csdn.net/qq_40116035/article/details/81414835 傳統的分類方法分兩種：監督分類和非監督分類。監督分類要求對所要分類的地區必須要有先驗的類別知識，即先要從所研究地區中選擇出所有要區分的各類地物的訓練區，用於建立

基於深度學習的CT影象肺結節自動檢測（系列放在一起）

PS 為了方便查詢，將SongpingWang的肺結節系列部落格放在一起。（剛好公司要我開始接手這一塊）感謝大神 具體連結： 0 ：https://blog.csdn.net/wsp_1138886114/article/details/81840891 1 ：https://blog.

基於深度學習的CT影象肺結節自動檢測技術四—資料增強—定義神經網路並訓練

開發環境 jupyter notebook # -- coding: utf-8 -- #訓練影象分割網路(u-net)模型 import csv import glob import random import cv2 import numpy import

論文分析--《基於深度學習的人臉表情識別演算法研究_宋新慧》

1.摘要：文章中提出的演算法：1）針對靜態的影象：細節感知遷移網路      資料集：CK+；Kaggle2）針對視訊序列：利用多工學習的遞迴神經網路      資料集：I-PFE2.本文工作：1）基於細節感知遷移網路的人臉表情識別：傳統特徵提取方法存在的問題：光照、角度等影

基於深度學習的CT影象肺結節自動檢測技術二——訓練資料處理

開發環境 Anaconda:jupyter notebook/pycharm pip install dicom # 用於讀取 dicom 圖片(version0.9.9) pip install SimpleItk # 讀

基於深度學習心電圖(ECG)特徵識別

深度醫療是筆者基於深度學習的醫學專案應用開發實踐，經過整理輸出了文件和本系列課程，希望通過分享可以和大家共同討論、相互學習，探索更好的解決方案。筆者是一名普通的大資料和人工智慧領域從業者，過程中如有錯誤和理解不到位的地方請廣大同仁不吝賜教。筆者一直堅信深度學習和

基於深度學習的Person Re-ID（綜述）

轉載。 https://blog.csdn.net/linolzhang/article/details/71075756 一. 問題的提出        Person Re-ID 全稱是 Person Re-Identification，又稱為 行

深度學習模型壓縮方法綜述（一）

前言 目前在深度學習領域分類兩個派別，一派為學院派，研究強大、複雜的模型網路和實驗方法，為了追求更高的效能；另一派為工程派，旨在將演算法更穩定、高效的落地在硬體平臺上，效率是其追求的目標。複雜的模型固然具有更好的效能，但是高額的儲存空間、計算資源消耗是使其難以有