论文地址：https://arxiv.org/pdf/1901.02350.pdf Github地址：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection PyramidBox是WIDER FACE人脸检测的三料冠军，先看一下它的效果吧。 图中的1000张人脸被识别出890张，可以看出PyramidBox对比较小的、或者部
我们试想一个实际问题，春天到了，我们要买衣服了，同时，作为服装厂商，也要开始发布新的衣服了，如果你作为一个服装厂商的技术顾问，请你分析出什么样的衣服属于今年的流行趋势，你会怎么做？ 首先，作为技术宅男的你，我不认为你会对流行元素有那么多的关注，不会去看什么巴黎时装周，你能做的就是根据各
Karas 从网上下载的数据集都保存在下面的目录里 from tensorflow import keras from tensorflow.keras import layers cifar = keras.datasets.cifar10 (train_image, train_label), (test_image, test_label) = cifar.load_data() 从datasets中直接加载数据集 train_ima
创建地图： //OSM图层 let source = new ol.source.OSM() //切片图层tilelayer let layers = new ol.layer.Tile({ source: source,//图层来源 opacity:1,//透明度，默认为1 visible:true,//是不显示，默认true extent:[100,34,103,36],//可选参数，图层渲染范围，[minLon,
业余时间学习下深度学习，个人理解就是对已有的数据进行非线性映射，然后再映射的空间内找出数据的特征（个人理解可能不准，请指正）。 源码地址：https://github.com/yu-bo/stock 然后想着找一些数据练习下，网上的教程例子很多，个人想着预测下股票信息，大概的过程如下： 1、使用tushare获取sto
<> 题目描述 给定一棵二叉树，你需要计算它的直径长度。一棵二叉树的直径长度是任意两个结点路径长度中的最大值。这条路径可能穿过根结点。 示例 : 给定二叉树 1 / \ 2 3 / \ 4 5 返回 3, 它的长度是路径 [4,2,1,3] 或
作用：是对矩阵按列进行平均池化。 比如tensorflow教程中的这个例子，中间的GlobalAveragePooling1D就是对输入中的sequence进行平均池化。 因为这是个分类算法，输入是两维的<batch, sequence>，其中batch是训练模型的分批，sequence是单个句子的长度。 模型代码： 模型summary： 模型
看的视频——https://www.bilibili.com/video/av79196096?p=23 优化方法———sgd与adm: https://www.cnblogs.com/guoyaohua/p/8542554.html sgd——随机梯度下降，比其它算法用的时间长，而且可能会被困在鞍点 adm——增加了动量（指数加权平均），在梯度不变的方向速度变快，梯度变化
Given a binary tree root. Split the binary tree into two subtrees by removing 1 edge such that the product of the sums of the subtrees are maximized. Since the answer may be too large, return it modulo 10^9 + 7. Example 1: Input: root = [1,2,3,4
池化层（Pooling layers） 除了卷积层，卷积网络也经常使用池化层来缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性，我们来看一下。 先举一个池化层的例子，然后我们再讨论池化层的必要性。假如输入是一个4×4矩阵，用到的池化类型是最大池化（max pooling）。执行最大池化的树池
解决的问题 前人的做法： Success of image translation methods mostly imposes the requirement of working on aligned or similar domains for texture or appearance transform. The building blocks of these networks, such as convolution/deconvolution laye
MINST训练的代码直接参考http://www.pianshen.com/article/3783475094/ 由于显示的结果不太清晰明了，因此使用pyplot加工了下：代码如下 #coding: utf-8 import numpy as np import matplotlib.pyplot as plt import tensorflow as tf from tensorflow.examples.tutorials.mnist
Python进阶实战之三级菜单 一、Python进阶实战之三级菜单 打印省、市、县三级菜单 可返回上一级 可随时退出程序 1.1 面条版 menu = { '北京': { '海淀': { '五道口': { 'soho': {}, '网易': {}, '
from keras.layers import model = Sequential() model.add(embedding_layer) #使用一维卷积网络切割输入数据，参数5表示每各个单词作为切割小段 model.add(layers.Conv1D(32, 5, activation='relu')) #参数3表示，上层传下来的数据中，从每3个数值中抽取最大值 model.add(layers.Max
矩阵乘法 exp()、log()、log2()、log10()、ln、lg 1.exp函数即指数函数：e的x次方的函数 exp：高等数学里以自然常数e为底的指数函数，等于2.718281828459045 numpy.exp()：返回e的幂次方，e是一个常数为2.718281828459045 exp(0) = e的0次方 = 1 exp(1) = e的1次方 = e = 2.718
from keras import layers from keras import models model = models.Sequential() #首层接收2维输入 model.add(layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1))) model.add(layers.MaxPooling2D(2,2)) model.add(layers.Conv2D(64, (3,3), activat
1 import numpy as np 2 import paddle.fluid as fluid 3 import paddle.fluid.layers as layers 4 5 debug = True 6 bs = 1 7 c = 1 8 h, w = 3, 1 9 10 main_program = fluid.Program()11 startup_program = fluid.Program()12 with fluid.program_guard(main_program, s
1 import torch 2 import torch.nn as nn 3 4 torch.random.manual_seed(10) 5 6 input_size = 2 # 输入向量维度 7 hidden_size = 4 # 隐层层维度 8 num_layers = 2 # 层数 9 10 lstm = nn.LSTM(input_size, hidden_size, num_layers) 11 12 13 # Input: 14 15
网络：两层卷积，两层全连接，一层softmax 代码： import numpy as np from keras.utils import to_categorical from keras import Sequential from keras import layers from keras import optimizers from keras.datasets import mnist from PIL import Image (train_x, train_y), (te
最近搭建了个Resnet50 的神经网络模型，相看一看中间某一层的输出结果，想感性的感受下逐层提取特征的过程，以数字0为对象，对数字0逐层提取特征，话不多说直接上代码，关于如何搭建Resnet，可以参见博主的博客主页，也可以参见网上资料，关于如何搭建资源很丰富，在这里直接导入已经搭建并且 训练好
搭建一个简易网络模型： import tensorflow as tf model=tf.keras.Sequential() model.add(tf.keras.layers.Dense(64,input_shape=(20,),activation='relu')) model.add(tf.keras.layers.Dense(32,activation='relu')) model.add(tf.keras.layers.Dense(5,activati
asp，net，core All-in-One App All-in-One applications N-Layer 典型的应用层 分层项目骨架 Clean Architecture Layers Clean Architecture 可以选择使用DDD设计或者不使用。 Clean Architecture Layers ASP.NET Core architecture
with arg_scope(): 1.允许我们设定一些共享参数，并将其进行保存，必要时还可以嵌套覆盖 2.在指定的函数调用时，可以将一些默认参数塞进去。 接下来看一个tensorflow自带的例子。 with arg_scope([layers.conv2d], padding='SAME', initializer=layers.variance_scaling_
原文链接：http://tecdat.cn/?p=8057 QGIS简介 GQIS是领先的免费开放源地理信息系统（GIS）应用程序。它能够进行复杂的地理数据处理和分析，还可以用于设计发布质量的数据驱动地图。 启动QGIS， 应该看到类似以下的屏幕： 如果您的屏幕看起来与众不同，请View>Panels从顶部菜单中
线性回归 #建立模型结构model = tf.keras.Sequential()#添加层，第一个参数是输出神经元个数，第二个参数表示（输入特征，输入训练数量）model.add(tf.keras.layers.Dense(1,input_shape=(1,)))#查看网络层结构model.summary() #编译，参数分别是优化方法，损失函数model.compile(optimizer=
