原创 深度學習手記(二)之佔位符Placeholder

TensorFlow是一種符號式編程,它裏面有各種計算流圖和變量,今天來介紹一種佔位符,它的好處是可以避免生成大量常量來提供輸入數據,提高了計算圖的利用率。其實,今天介紹這個Placeholder佔位符還有一個原因:就是使用它經常

原创 深度學習手記(八)之PTB實現LSTM模型

  PTB(Penn Treebank Dataset)文本數據集是語言模型學習中目前最廣泛使用的數據集。下面將使用它構建一個長短期記憶網絡(LSTM)。本文中只講相應的代碼實現,而關於LSTM的理論可以閱讀這篇文章——Under

原创 使用selenium爬取百度圖片

在做機器學習、深度學習模型訓練時,最重要的事情之一就是尋找足量的數據,但是,往往我們手邊都沒有現成的數據,需要在網上尋找下載,這個時候就可能會用到爬蟲。隨着網頁升級、反爬機制,使得爬蟲也要不斷變化。因此,目前對百度圖片的爬取也不如

原创 在CentOS下安裝dlib庫

dlib庫可以直接用來檢測人臉,爲後續的人臉識別等其他模型的構建提供了方便。但是,在安裝dlib庫時,會遇上很多問題,特別時用pip安裝時,因爲沒有安裝cmake和boost等工具就會出錯。 首先,安裝gcc和gcc-c++ yu

原创 踩過Mac Xcode配置opencv4.0.0的坑

今天,在安裝opencv,並在Xcode中配置opencv4時,遇到了很多坑,但是最終還是在不懈的百度中,解決了問題。在此,將解決這些問題的方法進行總結,分享給大家。 第一個問題 首先,安裝opencv和在Xcode中配置open

原创 成功解決Error: No module named 'keras_retinanet.utils.compute_overlap'

在調用retinanet-train的時候,出現如下問題: 這是因爲在安裝setup.py文件的時候,需要對導入的compute_overlap文件的進行轉換,因爲,它的格式是以.pyx結尾。 所以,要進行如下操作: pytho

原创 安裝freebayes所遇到的問題

今天,安裝了一下用於生信軟件freebayes,它用來calling SNP、haplotype的,具體的用法我們後面再探討,今天主要談談在安裝freebayes所遇到的問題,其實,這些問題在安裝其他軟件時,也會遇到。一葉便知秋!

原创 Linux下GCC 4.9.3安裝

CentOS 6默認的GCC版本是4.4.7,而很多軟件都需要依賴較高版本的GCC及其庫文件。在這裏介紹一種方法安裝GCC 4.9.3。 先在網上下載gcc $ wget http://mirrors-usa.go-parts.

原创 巧解一道階乘排序題

今天,介紹一道在本計算機考試書上的階乘排序(就是將一個列表長度的階乘種的方式的排列組合輸出)題。 下面我們直接看題: 在1~49中任意選擇7個數,將這7個數的所有排列可能性全部輸出。例如:[1,2,3]的所有輸出有[2,1,3

原创 Centos ping本地能成功 ping外網出現Name or service not known

出現這種情況,不是因爲本地服務器沒網,而是網絡配置出現了錯誤,主要是DNS的配置出現了錯誤。 通過百度不難發現有很多解決的方法:vi /etc/sysconfig/network-scripts/ifcfg-ens33 將內容替換

原创 opencv打開攝像頭報錯:error: (-215:Assertion failed) size.width>0 && size.height>0 in function 'imshow'

使用opencv打開攝像頭時,出現了:error: (-215:Assertion failed) size.width>0 && size.height>0 in function 'imshow’錯誤。 源碼: import

原创 總結在CentOS7上搭建CUDA10+cudnn7的Tensorflow-gpu環境的經驗

  經過三天的反反覆覆安裝cuda和cudnn搭建tensorflow-gpu1.13.1環境之後,得到了一些經驗,想在這裏與大家分享一下: 第一、選擇安裝驅動的時候一定要符合自己機型的顯卡型號,可以安裝NVIDIA驅動檢測軟件對

原创 深度學習手記(十)之TensorFlow中求loss的三種函數對比

  在搭建神經網絡模型時,都會計算模型的loss,再進行反向傳播優化參數。而在TensorFlow中計算loss的函數有很多,其中使用比較多的是: tf.losses.sparse_softmax_cross_entropy() t

原创 在TEB數據集上搭建翻譯模型——Seq2Seq

   Seq2Seq模型的基本思想非常簡單——使用一個循環神經網絡讀取輸入句子,將整個句子的信息壓縮到一個固定維度的編碼中;再使用另一個循環神經網絡讀取這個編碼,將其“解壓”爲目標語言的一個句子。這兩個循環神經網絡分別爲編碼器和解碼器

原创 深度學習手記(九)之Inception-v3實現遷移學習

  在訓練神經網絡模型時,往往需要很多的標註數據以支持模型的準確性。但是,在真實的應用中,很難收集到如此多的標註數據,即使可以收集到,也需要花費大量的人力物力。而且即使有海量的數據用於訓練,也需要很多的時間。因此爲了解決標註數據和訓練