原创 【python】實現錄屏

1  pynput 庫,可以全局監聽鍵盤、鼠標事件。 安裝方法: a 下載 pynput-1.4.5-py2.py3-none-any.whl到本地。 b pip 2 代碼 from datetime import datetime

原创 Tensorflow2.0學習筆記目錄

目錄:          1  入門          2  tensorboard的使用          3  數據類型和數值精度          4  循環神經網絡          5  梯度彌散和梯度爆炸          6

原创 【雷達】毫米波雷達(77GHz FMCW)——測距原理

FMCW RADAR 調頻連續波雷達 1  毫米波雷達測距原理 (1)FMCW雷達的核心:chirp 頻率fC開始的線性調頻脈衝,4GHZ的帶寬,最終以81GHZ的頻率結束。 線性調頻脈衝的斜率S:線性調頻脈衝上升的速率。 帶寬B和

原创 OPENCV:使用Grabcut算法進行物體分割

目錄 1 GrabCut算法 2 算法圖 3 代碼  4 結果   1 GrabCut算法 GrabCut算法的實現步驟: 在圖片中定義(一個或者多個)包含物體的矩形(注意:初始框)。 矩形外的區域被自動認爲是背景。 對於用戶定

原创 Tensorflow2.0學習筆記(八)Resnet

目錄 1 退化問題?  2 ResNet的殘差學習單元(Residual Unit) 3 Resnet18 4 Resnet在不同層數時的網絡配置   1 退化問題? 在不斷增加神經網絡的深度時,會出現一個退化的問題: 準確率會先上升然後

原创 【linux 】【TensorFlow】創建環境,安裝TensorFlow2.0

1  安裝virtualenv     pip install virtualenv 2  my_dir 爲創建的環境文件夾上級目錄的路徑;venv爲虛擬環境文件夾名      $ cd my_dir      $ virtualenv

原创 【python】【OpenCV】將兩張圖像按照指定比例融合

1 代碼 import cv2 img1 = cv2.imread("dog.jpg") img2 = cv2.imread("dog1.jpg") img1 = cv2.resize(img1, (1024, 680)) img2

原创 Tensorflow2.0學習筆記(四)循環神經網絡

目錄 1 Embedding層 2 預訓練的詞向量 3 循環神經網絡   1 Embedding層 在神經網絡中,單詞的表示向量可以直接通過訓練的方式得到,把單詞的表示層叫作Embedding層。 在Tensorflow中,可以通過lay

原创 Tensorflow2.0學習筆記(九)Resnet實戰

0 數據 說明:忽略數據的合理性,本數據爲測試代碼使用的。   1 data_process.py import tensorflow as tf import numpy as np import os import cv2

原创 Tensorflow2.0學習筆記(七)BatchNorm層

(1)BN的作用 從上圖可以看出,Sigmoid函數在[-2,2]區間導數值在[0.1,0.25],當輸入大於2或者小於2時,導數逼近於0,從而容易出現梯度彌散的現象。通過標準化後,輸入值被映射在0附近區域,此處的導數不會太小,不會容

原创 【代碼】【Tensorflow】模型finetune,而非從頭訓練

1 只需要在訓練代碼中進行如下修改:

原创 Tensorflow2.0學習筆記(二)tensorboard的使用

目錄 1 代碼 2 命令行輸入:tensorboard --logdir="logs",WEb查看。 3 查看結果   1 代碼 import tensorflow as tf import numpy as np import os

原创 【Conda】【TensorFlow】創建環境,安裝TensorFlow 2.0

1  conda create -n TF_2C python=3.6 2 activate TF_2C   3 pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua

原创 【問題】任務欄中沒語言欄

解決辦法: 開始->cmd運行->輸入ctfmon->確定

原创 Tensorflow2.0學習筆記(五)梯度彌散和梯度爆炸

目錄 1 梯度彌散 2 梯度爆炸   梯度下降算法: 1 梯度彌散 梯度值接近於0的現象叫做梯度彌散(Gradient Vanishing) 分析:當出現梯度彌散時,換句話說,就是每次梯度更新後,參數基本保持不變,網絡的參數長時 間得不到