Machine Learning Mastery 计算机视觉教程 通道在前和通道在后图像格式的温和介绍 深度学习在计算机视觉中的 9 个应用 为 CNN 准备和扩充图像数据的最佳实践 8 本计算机视觉入门书籍 卷积层在深度学习神经网络中是如何工作的？ DeepLearningAI 卷积神经网络课程（复习） 如何在 Keras 中配置图像数据扩充 如何从零开始为 CIFAR-10 照片分类开发 CNN 用于 Fashion-MNIST 服装分类的深度学习 CNN 如何为 MNIST 手写数字分类开发 CNN
航空图像中的目标检测是一个具有挑战性且有趣的问题。随着无人机成本的降低，航空影像数据量的激增，拥有能够从航空数据中提取有价值的信息的模型将非常有用。
在本文中，我们将深入探讨深度学习的核心概念和原理，以及如何使用Python和TensorFlow库构建和训练神经网络。我们将从基础开始，逐步介绍神经网络的结构、前向传播、反向传播和优化方法，以便读者能够深入理解并开始实际编写深度学习代码。
在今天博客的最后，你将会了解如何在你自己的数据库中建立、训练并评估一个卷积神经网络。
Keras代码示例多达数百个。通常我们只需复制粘贴代码，而无需真正理解这些代码。通过学习本教程，您将搭建非常简单的构架，但是此过程会带给您些许好处：您将通过阅读 VGG*的论文原著学习使用 Keras 从零开始实现 VGG 网络。 我使用的术语是指由牛津大学计算机视觉组 (Visual Geometry Group， VGG)为ILSVRC-2014构建的网络构架。 那么，实现别人构建出来的结构有什么意义呢？ 关键在于学习，通过完成本教程的学习，您将： 进一步了解 VGG 构架； 进一步了解卷积神经网
AI 研习社按，日前，微软提出深度学习框架的通用语言——repo1.0，号称希望通过构建这一深度学习框架「Rosetta Stone（罗塞塔石碑）」，让研究者们能够在不同框架之间轻松运用专业知识。他们在博客中讲解了基准深度学习框架的训练结果和相应的经验教训，雷锋网 AI 研习社编译整理如下。
我们将在本文中为您介绍如何使用 BigTransfer (BiT)。BiT 是一组预训练的图像模型：即便每个类只有少量样本，经迁移后也能够在新数据集上实现出色的性能。
我将借鉴自己的经验，列出微调背后的基本原理，所涉及的技术，及最后也是最重要的，在本文第二部分中将分步详尽阐述如何在 Keras 中对卷积神经网络模型进行微调。
在下篇文章中，我还会演示如何将训练好的Keras模型，通过几行代码将其部署到智能手机上。
选自arXiv 作者：Ilia Karmanov等 机器之心编译 参与：路雪、刘晓坤、白妤昕 深度学习框架就像语言一样：很多人会说英语，但每种语言都有自己的特殊性。作者为几种不同的网络结构创建了通用代码，并可在多个不同的框架中使用。 repo 1.0 完整版 GitHub 地址：https://github.com/ilkarman/DeepLearningFrameworks 我们的想法是创建一个深度学习框架的罗塞塔石碑（Rosetta Stone）：假设你很了解某个深度学习框架，你就可以帮助别人使用任何
花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。
众所周知，人类在很小的时候就学会了识别和标记自己所看到的事物。如今，随着机器学习和深度学习算法的不断迭代，计算机已经能够以非常高的精度，对捕获到的图像进行大规模的分类了。目前，此类先进算法的应用场景已经涵括到了包括：解读肺部扫描影像是否健康，通过移动设备进行面部识别，以及为零售商区分不同的消费对象类型等领域。
生成式对抗网络（GAN）是近期深度学习领域中最有前景的发展之一。 GAN由Ian Goodfellow于2014年推出，它通过分别训练两个相互竞争和合作的深度网络（称为生成器[Generator]和鉴别器[Discriminator]）来进军无监督学习的问题。 在训练过程中，两个网络最终都会学习到如何执行各自任务。
CNN在图像处理和视频处理领域有着广泛的应用。在这篇文章中，我将详细介绍卷积神经网络是如何进化的，以及为什么它们在图像领域如此出色。在此基础上，我们将建立一个使用Keras的卷积神经网络。
当使用拟合模型进行预测时，也可以应用图像数据增强技术，以允许模型对测试数据集中每幅图像的多个不同版本进行预测。对增强图像的预测可以取平均值，从而获得更好的预测性能。
Keras是最广泛使用的深度学习框架之一。它在易于使用的同时，在性能方面也与TensorFlow，Caffe和MXNet等更复杂的库相当。除非你的应用程序需要一些非常低级别和复杂的代码，否则Keras会为你提供最好的帮助！
本文为大家介绍了如何使用Opencv，Keras/Tensorflow构建一个口罩检测模型，以及如何将该模型应用到图片和视频中。
在使用 TensorFlow 进行深度学习任务时，经常会遇到一些警告信息，其中之一就是 "WARNING:tensorflow:From"。这个警告信息通常出现在使用 tensorflow.contrib.learn.python.learn 模块中的 read_data_sets 函数时。本篇博客将介绍如何解决这个警告信息。
选自pyimagesearch 作者：Adrian Rosebrock 机器之心编译 参与：Panda 圣诞将至，你可能已经在商场、公园或自家的烟囱里发现了圣诞老人。随着机器识别技术的发展，用人工智能来识别路过或来送礼物的圣诞老人似乎是个不错的选择。近日，Adrian Rosebrock 在 PyImageSearch 上发表了一篇教程，介绍了在树莓派上使用 Keras 实现深度学习圣诞老人识别器的过程。你可通过文末链接访问原文——也可在原文末尾留下电子邮箱地址向原作者索取本项目的完整代码。另外，本教程中
https://machinelearningmastery.com/5-step-life-cycle-neural-network-models-keras/
这是一个我常被问到的问题：「我该怎么提升准确度？」或者「如果我的神经网络表现很糟糕我该怎么办？」……
想要真的了解深度学习，除了看视频，拿数据和算力真枪实弹的练手可能比各种理论知识更重要。
生成模型是近年来受到广泛关注的无监督学习中的一类重要模型。可以将它们定义为一类模型，其目标是学习如何生成与训练数据来自同一数据集的新样本。在训练阶段，生成模型试图解决密度估计的核心任务。在密度估计中，我们的模型学习构建一个估计——pmodel(x)——尽可能类似于不可观察的概率密度函数——pdata(x)。需要说明的是，生成模型应该能够从分布中生成新样本，而不仅仅是复制和粘贴现有样本。一旦我们成功地训练了我们的模型，它就可以用于各种各样的应用，从各种形式的重建，如图像填充、着色和超分辨率到生成艺术品。
从历史角度看，TensorFlow 是机器学习框架的「工业车床」：具有复杂性和陡峭学习曲线的强大工具。如果你之前用过 TensorFlow 1.x，你就会知道复杂与难用是在说什么。
DanceNet 中最主要的三个模块是变分自编码器、LSTM 与 MDN。其中变分自编码器（VAE）是最常见的生成模型之一，它能以无监督的方式学习复杂的分布，因此常被用来生成图像数据。VAE 非常优秀的属性是可以使用深度神经网络和随机梯度下降进行训练，并且中间的隐藏编码还表示了图像的某些属性。
Object Detection with YOLO: Hands-on Tutorial - neptune.ai
坊间有传MacOs系统不适合机器(ml)学习和深度(dl)学习，这是板上钉钉的刻板印象，就好像有人说女生不适合编程一样的离谱。现而今，无论是Pytorch框架的MPS模式，还是最新的Tensorflow2框架，都已经可以在M1/M2芯片的Mac系统中毫无桎梏地使用GPU显卡设备，本次我们来分享如何在苹果MacOS系统上安装和配置Tensorflow2框架（CPU/GPU）。
卷积神经网络（CNN）非常适合计算机视觉任务。使用对大型图像集（如ImageNet，COCO等）进行训练的预训练模型，可以快速使这些体系结构专业化，以适合独特数据集。此过程称为迁移学习。但是有一个陷阱！用于图像分类和对象检测任务的预训练模型通常在固定的输入图像尺寸上训练。这些通常从224x224x3到某个范围变化，512x512x3并且大多数具有1的长宽比，即图像的宽度和高度相等。如果它们不相等，则将图像调整为相等的高度和宽度。
本报告讨论了非常厉害模型优化技术 —— 知识蒸馏，并给大家过了一遍相关的TensorFlow的代码。
keras 模块里面为我们提供了一个预训练好的模型，也就是开箱即可使用的图像识别模型
深度学习框架哪家强：TensorFlow？Caffe？MXNet？Keras？PyTorch？对于这几大框架在运行各项深度任务时的性能差异如何，各位读者不免会有所好奇。 微软数据科学家Ilia Karmanov最新测试的结果显示，亚马逊MXNet在CNN、RNN与NLP情感分析任务上性能强劲，而TensorFlow仅擅长于特征提取。 测试详情更新在Ilia Karmanov的GitHub项目DeepLearningFrameworks（https://github.com/ilkarman/Deep
谷歌于2019年3月6日和7日在其年度TensorFlow开发者峰会上发布了最新版本的TensorFlow机器学习框架。这一新版本使用TensorFlow的方式进行了重大改进。TensorFlow拥有最大的开发者社区之一，从机器学习库到完善的机器学习生态系统已经走过了漫长的道路。
图像识别是人工智能中的重要分支之一，通过使用机器学习算法来训练模型，使其能够识别图像中的物体、场景或人脸等。在本文中，我们将介绍使用Python实现图像识别的方法，其中主要使用的是深度学习框架Keras和OpenCV库。
在前九章中，我们使用 TensorFlow Mobile 在移动设备上运行各种由 TensorFlow 和 Keras 构建的强大的深度学习模型。 正如我们在第 1 章，“移动 TensorFlow 入门”中提到的那样，Google 还提供了 TensorFlow Lite（可替代 TensorFlow Mobile 的版本）在移动设备上运行模型。 尽管自 Google I/O 2018 起它仍在开发人员预览中，但 Google 打算“大大简化开发人员针对小型设备的模型定位的体验。” 因此，值得详细研究 TensorFlow Lite 并为未来做好准备。
Machine Learning Mastery 机器学习算法教程 机器学习算法之旅 利用隔离森林和核密度估计的异常检测 机器学习中的装袋和随机森林集成算法 从零开始实现机器学习算法的好处 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧 机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训 机器学习的分类和回归树 什么是机器学习中的混淆矩阵 如何使用 Python 从零开始创建算法测试工具 通过创建机器学习算法的目标列表来获得控制权 机器学习中算法
本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型，将 tf.Keras 模型转换为 tflite 格式，并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类，并分享一些你可能会面临的常见问题。本教程着重于端到端的体验，我不会深入探讨各种 tf.Keras API 或 Android 开发。
2019 年 3 月 6 日，谷歌在 TensorFlow 开发者年度峰会上发布了最新版的 TensorFlow 框架 TensorFlow2.0 。新版本对 TensorFlow 的使用方式进行了重大改进，使其更加灵活和更具人性化。具体的改变和新增内容可以从 TensorFlow 的官网找到，本文将介绍如何使用 TensorFlow2.0 构建和部署端到端的图像分类器，以及新版本中的新增内容，包括：
在EZDL到底怎样，试试看…中，我们谈到百度的在线AI设计工具EasyDL不需要调整任何参数，对于用户而言就是一个吃数据的黑盒子。也许系统会选择最优的参数和算法来训练出一个好的模型，如果此时准确率仍然达不到我们的需求，我们是否就完全束手无策了呢？
计算机视觉是理解或操纵图像和视频的科学。 计算机视觉具有许多应用，包括自动驾驶，工业检查和增强现实。 深度学习在计算机视觉中的使用可以分为多个类别：图像和视频中的分类，检测，分割和生成。 在本书中，您将学习如何为计算机视觉应用训练深度学习模型并将其部署在多个平台上。 我们将在本书中使用 TensorFlow，这是一个用于深入学习的流行 python 库，用于示例。 在本章中，我们将介绍以下主题：
LSTM 01：理解LSTM网络及训练方法 LSTM 02：如何为LSTMs准备数据 LSTM 03：如何使用Keras编写LSTMs LSTM 04：4种序列预测模型及Keras实现 LSTM 05：Keras实现多层LSTM进行序列预测 LSTM 06：如何用Keras开发CNN-LSTM LSTM 07：如何用Keras开发 Encoder-Decoder LSTM LSTM 08：超详细LSTM调参指南
图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。
图像识别是深度学习技术的一个普遍具有的功能。
【导读】当今，卷积神经网络在图像识别等领域取得巨大的成功，那么是什么使其高效而快速呢？本文整理John Olafenwa的一篇博文，主要介绍了卷积神经网络采用的四种基本组件：Pooling、Dropo
深度学习模型在图像识别领域的应用越来越广泛。通过对图像数据进行学习和训练，这些模型可以自动识别和分类图像，帮助我们解决各种实际问题。其中，CIFAR-10数据集是一个广泛使用的基准数据集，包含了10个不同类别的彩色图像。本文将介绍如何使用深度学习模型构建一个图像识别系统，并以CIFAR-10数据集为例进行实践和分析。文章中会详细解释代码的每一步，并展示模型在测试集上的准确率。此外，还将通过一张图片的识别示例展示模型的实际效果。通过阅读本文，您将了解深度学习模型在图像识别中的应用原理和实践方法，为您在相关领域的研究和应用提供有价值的参考。
这是腾讯云加社区共创官的选题互换挑战赛，一搭眼看到了这个题目，因为之前写过 自己制作数据集并训练，这无非是换个数据源进行训练而已，于是果断选择了这个题目
对于图像分类任务而言，卷积神经网络（CNN）是目前最优的网络结构，没有之一。在面部识别、自动驾驶、物体检测等领域，CNN被广泛使用，并都取得了最优性能。对于绝大多数深度学习新手而言，数字手写体识别任务可能是第一个上手的项目，网络上也充斥着各种各样的成熟工具箱的相关代码，新手在利用相关工具箱跑一遍程序后就能立刻得到很好的结果，这时候获得的感受只有一个——深度学习真神奇，却没能真正了解整个算法的具体流程。本文将利用Keras和TensorFlow设计一个简单的二维卷积神经网络（CNN）模型，手把手教你用代码完成MNIST数字识别任务，便于理解深度学习的整个流程。
抓住它的核心思路，即通过卷积操作缩小了图像的内容，将模型注意力集中在图像特定的、明显的特征上。
Keras 最初是作为 Theano 的一个方便的附加组件而发展起来的，长久以来，Keras首早先开始支持Tensorflow，然后完全成为其中的一部分。然而，我们的文章不会致力于讲述这个框架的复杂命运，而是它的功能。
领取专属 10元无门槛券
手把手带您无忧上云
