tensorflow2专题

08_Tensorflow2图像处理秘籍：让图片‘听话’，AI也能成艺术家！

1. 图像数据处理图像处理是指图像在神经网络训练之前的预处理，是人工智能视觉领域的重要组成部分。通过图像处理技术对图像数据集进行处理有两方面的作用：（1）将原始数据集处理成合格的、规范是数据集；（2）通过图像处理技术实现对原始数据集的增广。 # 库引入import matplotlib.pyplot as pltimport tensorflow as tf# 图像读取image_

07_TensorFlow2图像编解码大揭秘：让图片说‘变’就‘变’，魔法还是科技？

1. 图像的编码和解码在实际应用中，图像数据源格式多种多样，如：png\jpg\bmp等，而神经网络训练模型所需的图像的数据格式为：图像字节数据或Base64编码数据等。基于此，将png\jpg\bmp等格式的图像转换为字节数据的过程称为图像编码，将字节数据的图像转换为png\jpg\bmp等格式图像的过程称为图像解码。 2. 图像编码 Tensorflow图像编码的过程如下图所示，分

spark2调用TensorFlow2模型

问题一： com.google.protobuf.Parser.parseFrom方法找不到。因cdh默认的spark依赖jar中protobuf-java-[version].jar版本太低，需要手动升级替换；问题二：序列化org.tensorflow.SavedModelBundle后广播各种空指针，建议直接改道addFile(modelPath,true)于executor加载模型；

深度学习-TensorFlow2 ：构建DNN神经网络模型【构建方式：自定义函数、keras.Sequential、CompileFit、自定义Layer、自定义Model】

1、手工创建参数、函数–>利用tf.GradientTape()进行梯度优化(手写数字识别) import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'import tensorflow as tffrom tensorflow.keras import datasets# 一、获取手写数字辨识训练数据集(X_train, Y_train), (X_

深度学习：TensorFlow2构建、保存、加载神经网络模型【经典流程】

一、network.save_weights、network.load_weights 保存模型的参数，加载已保存的参数的network的结构必须和之前的network的所有结构一模一样 import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 放在 import tensorflow as tf 之前才有效import tensorflow a

深度学习-TensorFlow2：TensorFlow2 创建CNN神经网络模型【ResNet模型】

自定义ResNet神经网络-Tensorflow【cifar100分类数据集】 import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 放在 import tensorflow as tf 之前才有效import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras

windows+tensorflow2+python3环境配置mask-rcnn(COCO数据集)详解

windows+tensorflow2+python3环境配置COCO数据集详解 Github下载源码下载GIthub源码与数据解压文件放置到对应目录设置运行参数调试代码1. 'tensorflow' has no attribute 'random_shuffle'2. no attribute 'metrics_tensors'3. no 'load_weights_from_hdf5

windows+tensorflow2+python3环境配置faster-rcnn详解

windows+tensorflow2+python3环境配置faster-rcnn详解 Github下载代码下载Git源码与数据解压相应数据至对应目录调试代码'tensorflow' has no attribute 'app'No module 'tensorflow.contrib''tensorflow_core.compat.v1' has no attribute 'contr

02_TensorFlow2 Eager Execution：让AI编程从‘慢条斯理’变‘急不可耐’的神奇魔法！

1. Eager execution 的特性即刻执行（Eager execution）是TensorFlow2.0的新特性，如同python解释器一样，执行即可获得计算结果，不需要手动建立图结构和会话，与python的兼容性更强, 为快速搭建和测试算法模型提供了便利。 2. 特性介绍 tensorflow 2.0 默认是 Eager execution 模式 eager 模式对 nu

conda同时使用tensorflow1和tensorflow2

方案：根据conda的虚拟环境同时使用多版本的框架 1. 查看Anaconda中的所有虚拟环境 2. 创建和移除Anaconda虚拟环境 3. 克隆Anaconda虚拟环境方式1：使用yml文件方式2：使用--clone命令行参数克隆虚拟环境 4. 安装和移除TensorFlow2.x 5. 安装和移除TensorFlow1.x 6. 在PyCharm中切换TensorFlow1和Tenso

深度学习框架-----Tensorflow2基础

一、基础概念 1、深度学习框架基础概念深度学习框架的出现降低了入的槛。我们不在需要丛从复杂的神经网络和反向传播算法开始编代码，可以依据需要，使用已有的模型配置参数，而模型的参数自动训练得到。我们也可以在已有模型的基础上增加自定义网络层，或者是在顶端选择自己需要的分类器和优化算法。一个深度学习框架可以理解为一套积木。积木中的每个组件就是一个模型或者算法。这就可以群免重复造轮子，我代可以使用

Python 与 TensorFlow2 生成式 AI（三）

原文：zh.annas-archive.org/md5/d06d282ea0d9c23c57f0ce31225acf76 译者：飞龙协议：CC BY-NC-SA 4.0 第七章：使用 GAN 进行风格转移神经网络在涉及分析和语言技能的各种任务中正在取得进步。创造力是人类一直占有优势的领域，艺术不仅是主观的，没有明确定义的边界，而且很难量化。然而，这并没有阻止研究人员探索算法的创造能力

Python 与 TensorFlow2 生成式 AI（一）

原文：zh.annas-archive.org/md5/d06d282ea0d9c23c57f0ce31225acf76 译者：飞龙协议：CC BY-NC-SA 4.0 序言 “想象力比知识更重要。” – 阿尔伯特·爱因斯坦，《爱因斯坦关于宇宙宗教和其他见解与格言》（2009）在本书中，我们将探索生成式人工智能，这是一种使用先进的机器学习算法生成合成（但惊人逼真）数据的尖端技

Python 与 TensorFlow2 生成式 AI（二）

原文：zh.annas-archive.org/md5/d06d282ea0d9c23c57f0ce31225acf76 译者：飞龙协议：CC BY-NC-SA 4.0 第四章：教授网络生成数字在前一章中，我们涵盖了神经网络模型的构建基块。在这一章中，我们的第一个项目将重新创建深度学习历史上最具突破性的模型之一- 深度信念网络（DBN）。DBN 是一个最早的多层网络，为其开发了一个可

Python 与 TensorFlow2 生成式 AI（四）

原文：zh.annas-archive.org/md5/d06d282ea0d9c23c57f0ce31225acf76 译者：飞龙协议：CC BY-NC-SA 4.0 第九章：文本生成方法的崛起在前几章中，我们讨论了不同的方法和技术来开发和训练生成模型。特别是在第六章“使用 GAN 生成图像”中，我们讨论了生成模型的分类以及介绍了显式和隐式类。在整本书中，我们的重点一直是在视觉空间

Python 与 TensorFlow2 生成式 AI（五）

原文：zh.annas-archive.org/md5/d06d282ea0d9c23c57f0ce31225acf76 译者：飞龙协议：CC BY-NC-SA 4.0 第十二章：用生成式人工智能玩视频游戏：GAIL 在之前的章节中，我们已经看到如何使用生成式人工智能来生成简单的（受限玻尔兹曼机器）和复杂的（变分自动编码器，生成式对抗模型）图像，音符（MuseGAN）和新颖文本（BER

Tensorflow2实现三层神经网络的前向传输

使用Tensorflow2自己实现三层神经网络的前向传输导入所需要的包 import tensorflow as tf 导入数据集，本次采用的tensorflow提供的经典是mnist手写数据集 # x:[60k,28,28],# y:[60k](x, y),_ = tf.keras.datasets.mnist.load_data()# x:[0-255]->[0,1]

BiseNet学习：利用tensorflow2搭建BiseNet并训练完成语义分割任务

BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务文章目录 BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务简介1 数据集的简介BiseNet网络搭建1）BiseNet网络各个模块简介1.1 Spatial path搭建1.2 Context path的搭建1.3特征融合模块 2.模型的初始化，训练以及测试

[博学谷学习记录] 超强总结，用心分享|Tensorflow2基础代码实战系列之双层RNN文本分类任务

深度学习框架Tensorflow2系列注：大家觉得博客好的话，别忘了点赞收藏呀，本人每周都会更新关于人工智能和大数据相关的内容，内容多为原创，Python Java Scala SQL 代码，CV NLP 推荐系统等，Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货，各种顶会的论文解读，一起进步。这个系列主要和大家分享深度学习框架Tensorflow2

关于在ubuntu18.04上安装tensorflow2.x的问题记录

问题起源于:在安装tensorflow时可以使用pip install tensorflow便捷安装的，可是我，每次安装的时候都只是显示安装1.14的版本；有强迫症的我，硬是活生生的给它升级,pip install --upgrade tensorflow; 可是，问题来了，虽然终端显示成功升到2.x版本了，但是进去到交互页面; 输入import tensorflow as tf; tf.

深度序列模型与自然语言处理：基于TensorFlow2实践

目录写在前面推荐图书编辑推荐内容简介作者简介推荐理由写在最后写在前面本期博主给大家推荐一本深度学习的好书，对Python深度学习感兴趣的小伙伴快来看看吧！推荐图书《深度序列模型与自然语言处理基于TensorFlow2实践》直达链接：《深度序列模型与自然语言处理基于TensorFlow2实践》编辑推荐《深度序列模型与自然语言处

基于tensorflow2、CNN的手写数字识别项目

手写数字识别实战——基于tensorflow2、CNN 项目说明该手写数字识别实战是基于tensorflow2的深度学习项目，使用tensorflow自带的MNIST手写数据集作为数据集，使用了CNN网络，最后使用模型预测手写图片。项目环境基础环境：python+anaconda 框架：tensorflow2 实现步骤一、数据处理 import tensorflow as

Tensorflow2.笔记 - 单层感知机（单输出，多输出）Single Layer Perceptron

本笔记主要记录单层感知机的相关内容，包括单层单输出，和单层多输出。 import tensorflow as tfimport numpy as nptf.__version__#单层单输出感知机，逻辑回归很类似，主要区别就是激活函数和损失函数不同#单层感知机的激活函数通常使用sign函数#逻辑回归的激活函数通常使用sigmoid#参考资料：https://blog.cs

TensorFlow2.x 精选笔记（1）数据基本操作与线性代数

学习参考：动手学深度学习2.0Deep-Learning-with-TensorFlow-bookpytorchlightning 一、数组与张量虽然张量看起来是复杂的对象，但它们可以理解为向量和矩阵的集合。理解向量和矩阵对于理解张量至关重要。向量是元素的一维列表，向量是一个有序的数列，可以表示为一维数组。通常用来表示空间中的方向和大小。矩阵是向量的二维列表，阵是一个二维数组，由行和

TensorFlow2实战-系列教程4：数据增强

🧡💛💚TensorFlow2实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Jupyter Notebook中进行本篇文章配套的代码资源已经上传猫狗识别1 数据增强猫狗识别2------数据增强猫狗识别3------迁移学习对于图像数据，将其进行翻转、放缩、平移、旋转操作就可以得到一组新的数据： 1、展示输入输出 import matp

TensorFlow2实战-系列教程14：Resnet实战2

🧡💛💚TensorFlow2实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Jupyter Notebook中进行本篇文章配套的代码资源已经上传 Resnet实战1 Resnet实战2 Resnet实战3 4、训练脚本train.py解读------创建模型 def get_model():model = resnet50.ResNet50()if