Keras
-
win10配置Keras及GPU环境
今天搭建了Keras深度学习的环境 详细记录一下 安装Anaconda3 Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。 Anaconda3官网下载：https://www.anaconda.com/distribution/#download-section 选适合的版本安装即…
-
win10 + python3.6 + VSCode + tensorflow-gpu + keras + cuda8 + cuDN6N环境配置
写在前面的话： 再弄这个之前，我对python也好，tensorflow也好几乎是0认知的，所以配置这个环境的时候，走了不少弯路，整整耗费了一个星期的时间才搭配完整这个环境，简直了。。。然而最气的是，好不容易搭好了环境，因为我笔记本配置低，老师给的程序根本跑不起来。 这个环境搭配的教程有很多博客可以参考，我却弄了很久也没成功，反思自己，是自大的心理在…
-
AttributeError: module ‘tensorflow.python.keras.backend’ has no attribute ‘get_graph’处理办法
原因：安装的tensorflow版本和keras版本不匹配，只需卸载keras，重新安装自己tensorflow对应的版本。 Keras与tensorflow版本匹配查询网站
-
PyToune:一款类Keras的PyTorch框架
PyToune is a Keras-like framework for PyTorch and handles much of the boilerplating code needed to train neural networks. 官方文档：https://pytoune.org/index.html 可以看到官方文档页面布局也是浓浓的Keras…
-
Keras实现风格迁移
风格迁移 风格迁移算法经历多次定义和更新，现在应用在许多智能手机APP上。风格迁移在保留目标图片内容的基础上，将图片风格引用在目标图片上。风格本质上是指在各种空间尺度上图像中的纹理，颜色和视觉图案;内容是图像的高级宏观结构。实现风格迁移背后的关键概念与所有深度学习算法的核心相同：定义了一个损失函数来指定想要实现的目标，并最大限度地减少这种损失。知道自己想要实…
-
Win10系统下安装tensorflow（cpu）+keras+jupyter notebook运行环境
记录，自用 1、安装Anaconda（这里安装的是python3.6版本） 2、创建tensorflow的conda环境 1 conda create -n tensorflow python=3.6 3、切换到上一步创建的名为“tensorflow”的python解释器环境 1 activate tensorflow 4、分别安装tensorflo…
-
Keras学习笔记三：一个图像去噪训练并离线测试的例子，基于mnist
训练模型需要的数据文件有： MNIST_data文件夹下的mnist_train、mnist_test、noisy_train、noisy_test。train文件夹下60000个图片，test下10000个图片 noisy_train、noisy_test下的图片加了椒盐噪声与原图序号对应 离线测试需要的数据文件有： MNIST_data文件夹下的my_m…
-
Keras学习笔记一：修改数据读入方式为本地图片读入
第一种方法： Keras官方给的图片去噪示例要自动下载mnist数据集并处理，不能修改和加入自己的数据集。 from keras.datasets import mnist (x_train, _), (x_test, _) = mnist.load_data() x_train = x_train.astype(‘float32’) / 255. x_te…
-
Keras学习笔记二：保存本地模型和调用本地模型
使用深度学习模型时当然希望可以保存下训练好的模型，需要的时候直接调用，不再重新训练 一、保存模型到本地 以mnist数据集下的AutoEncoder 去噪为例。添加： file_path=”MNIST_data/weights-improvement-{epoch:02d}-{val_loss:.2f}.hdf5″ tensorboard = TensorB…
-
keras训练大量数据的办法
最近在做一个鉴黄的项目，数据量比较大，有几百个G，一次性加入内存再去训练模青型是不现实的。 查阅资料发现keras中可以用两种方法解决，一是将数据转为tfrecord，但转换后数据大小会方法不好；另外一种就是利用generator，先一次加入所有数据的路径，然后每个batch的读入 # 读取图片函数 def get_im_cv2(paths, …
