深度學習從看懂到看開(一)-------------------Tensorflow的安裝
Tensortflow 簡介:
TensorFlow是谷歌基於DistBelief進行研發的第二代人工智慧學習系統,其命名來源於本身的執行原理。Tensor(張量)意味著N維陣列,Flow(流)意味著基於資料流圖的計算,TensorFlow為張量從流圖的一端流動到另一端計算過程。TensorFlow是將複雜的資料結構傳輸至人工智慧神經網中進行分析和處理過程的系統。TensorFlow可被用於語音識別或影象識別等多項機器學習和深度學習領域,對2011年開發的深度學習基礎架構DistBelief進行了各方面的改進,它可在小到一部智慧手機、大到數千臺數據中心伺服器的各種裝置上執行。TensorFlow將完全開源,任何人都可以用。一:安裝python3
本文的python版本都是python3的,python官方已經宣佈在2020年全面停止對Python2的維護更新,所以我們要趁早熟悉並使用python3.
廢話不多說,現在我們開始來在ubuntu下安裝python3.
系統預設安裝Python2
安裝Python3的命令
sudo apt-get install python3.6
安裝成功後在終端輸入 python 如果出現如圖所示即安裝成功
二:安裝anaconda
anaconda指的是一個開源的Python發行版本,其包含了conda、Python等180多個科學包及其依賴項。 [1] 因為包含了大量的科學包,Anaconda 的下載檔案比較大(約 515 MB),如果只需要某些包,或者需要節省頻寬或儲存空間,也可以使用Miniconda所有安裝包地址:https://repo.continuum.io/archive/
安裝
bash +xxxxxxx(你所下載的anaconda版本).sh
根據提示輸入回車
一直輸入yes 然後一直回車,它會自動幫你加入到環境變數中和建立資料夾
當出現如下畫面即安裝完成:
驗證annacoda是否安裝完成
在終端中輸入python出現如下即驗證成功
三:安裝tensorflow
直接在終端輸入命令:pip3 install tensorflow (python3.x的版本,支援CPU)等待安裝jies驗證tensorflow是否安裝成功進入python命令下,測試tensorflow:
import tensorflow as tf
sess = tf.Session()
hello=tf.constant('Hello,Tensorflow!')
print(sess.run(hello))
出現:
即安裝成功
四:Pycharm整合tensorflow環境
開啟pycharm中的setting
切換到annaconda環境
現在我們來測試一下程式碼
此段程式碼是讀取訓練圖片的標籤
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
mnist= input_data.read_data_sets("MNIST_data/test_",one_hot=True)
#如果檔案不存在會自動下載到該資料夾中
for i in range(20):#獲取前20個標籤 one_hot_label=mnist.train.labels[i,:] label=np.argmax(one_hot_label) print('MInst_train_%d.jpg label:%d'%(i,label))#輸出標籤輸出結果如下:
至此,tensorflow安裝完成!
相關推薦
深度學習從看懂到看開(一)-------------------Tensorflow的安裝
Tensortflow 簡介:TensorFlow是谷歌基於DistBelief進行研發的第二代人工智慧學習系統,其命名來源於本身的執行原理。Tensor(張量)意味著N維陣列,Flow(流)意味著基於資料流圖的計算,TensorFlow為張量從流圖的一端流動到另一端計算過程
深度學習與計算機視覺 看這一篇就夠了
來源:http://www.leiphone.com/news/201605/zZqsZiVpcBBPqcGG.html#rd 人工智慧是人類一個非常美好的夢想,跟星際漫遊和長生不老一樣。我們想製造出一種機器,使得它跟人一樣具有一定的對外界事物感知能力,比如看見世界。
看懂Ransac,一篇就夠了
隨機取樣一致性(RANSAC) 和一般的最小二乘擬合的區別是:RANSAC可以在有大量噪聲的情況下擬合出令人滿意的效果。 演算法步驟如下: 首先從輸入的資料中隨機選擇一些點並計算使用者給定模型的引數,對資料集中的所有點設定距離閾值,如果點到模型的距離在距離閾值的範圍內,則將該點歸為局內點,否
深度學習論文最值得看的資源大全/貪心學院
quest 另一個 深度 sant 收集 unifi 了解 download net 從全局到枝幹、從經典到前沿、從理論到應用、還有最新的研究...,所有你不需要的需要的,現在不需要的未來需要的,你不需要的周邊小夥伴需要的...反正全都在這了。 對於大多數想上手深度
深度學習圖片過大--------------實現將一張圖片裁剪成二圖片併合並
import os import cv2 import numpy as np import tqdm #cv2讀取一律寫成預設模式 #path = 'D:\\program\\fast-neural-style-tensorflow-master\\C\\pic\\' path = 'D:\\pr
[深度學習]從全卷積網路到大型卷積核:深度學習的語義分割全指南
語義分割一直是計算機視覺中十分重要的領域,隨著深度學習的流行,語義分割任務也得到了大量的進步。本文首先闡釋何為語義分割,然後再從論文出發概述多種解決方案。本文由淺層模型到深度模型,簡要介紹了語義分割各種技術,雖然本文並沒有深入講解語義分割的具體實現,但本文簡要地概述了每一篇重要
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
[深度學習從入門到女裝]FCN
本文簡單介紹一下FCN模型,並對caffe原始碼進行閱讀 對於convolution: output = (input + 2 * padding - ksize) / stride + 1; 對於deconvolution: output = (input -
Git 深度學習之填坑之旅一(git安裝和配置、基本命令)
2018-11-07 14:37 by 蟬時雨, ... 閱讀, ... 評論, 收藏, 編輯 前戲 最近不管是工作還是ctf比賽,接觸與使用git變得越來越多,git半吊子水平的我已經不能支撐日常工作了。碰巧自己公司專案剛上線,現在能擠出一
[深度學習從入門到女裝]U-Net
上圖為U-Net的網路結構 整個結構很容易理解,下采用使用2*2的maxPooling,上採用使用2*2的deconv 其他的每個卷積都使用3*3不使用padding的卷積核,因此特徵圖會越來越小,每層增加一倍通道數 shortcut將同層的左邊特徵圖直
[深度學習從入門到女裝]3D U-JAPA-Net
這是今年發在MICCAI2018上的一篇腹部多器官分割的論文,使用的是3D u-net的改進版,加入了PA(probabilistic atlas) 網路結構和3D U-Net的結構完全相同,但是訓練分為了幾個步驟 1、使用所有器官資料進行這個3D U-Net
基於深度學習框架的超解析度問題一之基本模型架構
目前在調研基於深度學習的觀點對超解析度問題的解決,對於其中的一些方法進行了一個大概的綜述,現將其總結如下: SRCNN 模型架構 SRCNN是深度學習用在超解析度上的開山之作。首先將圖片通過插值的方式放大到需要變換的尺寸。然後再將放大後的圖片放入到一個3層的卷積神經網路中,最終輸出一
[深度學習]從Attention到Transformer到BERT
Jay Alammar用直觀直白的方式解釋了Attention,Transformer和BERT。並輔以很多生動的圖例。 Attention Visualizing A Neural Machine Translation Model (Mechanics of Seq2seq Models
JVM深度學習系列之類載入問題分析(一)
載入(載入IO流檔案,並存儲類資訊在方法區)-> 驗證(格式驗證,語義分析,操作驗證)-> 準備(為類中的所有靜態變數分配記憶體空間,併為其設定一個初始值)-> 解析(將常量池中的符號引用轉為直接引用)-> 初始化(將一個類中所有被static關鍵字標識的程式
深度學習之視訊人臉識別系列一:介紹
作者 | 東田應子 【導讀】本文是深度學習之視訊人臉識別系列的第一篇文章,介紹了人臉識別領域的一些基本概念,分析了深度學習在人臉識別的基本流程,並總結了近年來科研領域的研究進展,最後分析了靜態資料與視訊動態資料在人臉識別技術上的差異。 一、基本概念 人
DeepLearning(深度學習)原理與實現(一)
經過三年的狂刷理論,覺得是時候停下來做些有用的東西了,因此決定開博把他們寫下來,一是為了整理學過的理論,二是監督自己並和大家分享。先從DeepLearning談起吧,因為這個有一定的實用性(大家口頭傳的“和錢靠的很近”),國內各個大牛也都談了不少,我儘量從其他
【深度學習基礎】:線性代數(一)_特徵分解及numpy、scipy實現
一、特徵分解的意義 有時,我們會將現實中的某些事物抽象成矩陣的形式,例如可以將一張圖片抽象成一個畫素值組成的矩陣。此時,我們也許希望中將矩陣分解成多個組成部分,這些組成部分代表了這個矩
深度學習與自然語言處理(一)
自然語言處理主要研究用計算機來處理、理解以及運用人類語言(又稱自然語言)的各種理論和方法,屬於人工智慧領域的一個重要研究方向,是電腦科學與語言學的交叉學科,又常被稱為計算語言學。隨著網際網路的快速發展,網路文字尤其是使用者生成的文字成爆炸式增長,為自然語言處理帶來了巨大的應用
菜鳥學習從入門到放棄(一)關於動態規劃一些不太成熟的小理解
最近,碰到很多動態規劃的題目,看書自學了點相關知識,分享給大家,水平有限,歡迎指正。我只是知識的搬運工,當然其中夾雜一些自己不成熟的理解。 動態規劃常用於求解最優化問題。比較典型的有:鋼條切割問題、矩陣鏈乘法、最長公共子序列、字串的交替連結和子序列數目等問題。下面從概念以及
計算機視覺(深度學習)校招記錄(一)CNN的特點以及優勢
1. 區域性感知 : 通過在底層的區域性掃描獲得影象的區域性特徵,然後在高層綜合這些特徵獲取影象的全域性資訊。作用:降低引數的數目。 2. 權值共享 : CNN中每個卷積核裡面的引數即權值,原始圖片卷積後會得到一副新的圖片,而新圖中的每個畫素都來自同一個卷積核,這就是權