切换马甲
上一页
下一页
分类专栏
-
242篇
默认分类
文章数:242
文章总阅读量:222.7w
文章总收藏量:1.3k
文章总点赞量:2.2w
按发布时间
按阅读量
按点赞量
-
物联网传输协议 - CoAP 什么是CoAP CoAP(Constrained Application Protocol)是一种简化压缩的 HTTP RESTful API 协议 。其目标是实现在资源受限 ( 低能源、网络环境差 ) 的环境下的应用( 例如M2M应用 )进行通信。 什么是M2M 应用? M2M ( Machine to Machine ) 是指通过一些移动通信对设备进行有效控制2021-04-08 16:25:2096 6 5395
-
文章目录: 1 CNTK 2 Tensorflow 2.1 介绍 2.2 安装 2.3 简单例子 3 Keras 3.1 介绍 3.2 安装Keras 3.3 使用Keras构建深度学习模型 3.4 一个例子 4 云端 GPUs 计算 1 CNTK 根据微软官方的介绍,CNTK 是一个统一的计算网络框架,它将深层神经网络描述为一系列通过有向图2021-04-09 16:28:0489 7 4158
-
文章目录: 1 概述 2 Pima印第安人数据集 3 导入数据和keras 4 定义模型 5 编译模型 6 训练 7 评估和预测 8 完整代码 1 概述 多层感知器是最简单的神经网络模型,用于处理机器学习中的分在介绍单层感知器的时候,我们提到对于非线性可分问题,单层感知器是很难解决的,比如下面这个例子: 类与回归问题。 很简单的一个分布,但事实上就是无法用直线进行分类,后来就出现了多层感知器,主2021-04-12 12:54:0696 7 6009
-
文章目录: 1 评估深度学习模型 1.1 自动评估 1.2 手动评估 1.3 k折交叉验证 2 在Keras中使用Sklearn 3 深度学习模型调参数 4 Iris多分类 4.1 数据集分析 4.2 代码 1 评估深度学习模型 1.1 自动评估 在Keras中设置验证集大小实现。 #训练模型并自动评估模型 model . fit(x=x , y=Y , e2021-04-12 16:28:5096 7 4672
-
Node-RED系列文章目前已经写了16篇,介绍了Node-RED的安装以及默认安装的一些基本节点的使用,作为物联网的一个可视化拖动的流程,Node-RED的确实很容易上手。还没开始学习的同学可以先看下我以前的文章。 Node-RED教程(一):Node-RED的介绍与安装 Node-RED教程(二):Node-RED的面板的操作 Node-RED教程(三):Node-RED公共节点的2021-04-12 20:00:5896 8 11377
-
物联网消息队列 什么是消息队列 消息队列( Message queue )是一种进程间通信或同一进程的不同线程间的通信方式,软件的贮列用来处理一系列的输入,通常是来自用户。 消息队列提供了异步的通信协议,每一个贮列中的纪录包含详细说明的资料,包含发生的时间,输入设备的种类,以及特定的输入参数,也就是说:消息的发送者和接收者不需要同时与消息队列交互。消息会保存在队列中,直到接收者取回它。 --2021-04-14 11:06:5596 7 5065
-
文章目录 1 JSON序列化模型 2 YAML格式 3 模型增量更新 4 神网检查点 5 导入模型 6 可视化训练过程 神经网络的变种目前有很多,如误差反向传播(Back Propagation,BP)神经网路、概率神经网络、卷积神经网络(Convolutional Neural Network ,CNN-适用于图像识别)、时间递归神经网络(Long short-term Memory Netwo2021-04-14 16:23:0389 7 3881
-
文章目录 【深度学习】Dropout与学习率衰减 1 概述 2 在Keras中使用Dropout 2.1 输入中使用(噪声) 2.2 Hidden层 3 LR衰减 3.1 线性衰减 3.2 指数衰减 3.3 备注 1 概述 开篇明义,dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。注意是暂时,对于随机梯度下2021-04-14 16:23:5397 8 6163
-
文章目录 【深度学习】Keras实现回归和二分类问题讲解 1 回归问题 1.1 波士顿房价预测数据集 1.2 构建基准模型 1.3 数据预处理 1.4 超参数 2 二分类 2.1 银行营销分类数据集 2.2 预处理 2.3 构建基准模型 2.4 数据格式化 2.5 优化网络图 1 回归问题 1.1 波士顿房价预测数据集 波士顿2021-04-14 16:24:2989 8 5484
-
文章目录 【深度学习】卷积神经网络速成 1 概述 2 组成 2.1 卷积层 2.2 池化层 2.3 全连接层 3 一个案例 4 详细分析 1 概述 前馈神经网络(feedforward neural network,FNN),简称前馈网络,是人工神经网络的一种。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中,各神经元可以接收前一层神经元的信号,并产生输出到下一层。第2021-04-15 15:51:4397 7 4635
-
前言 在 IOT ( 物联网 )中,当我们的一些设备。例如( 监控、传感器等 )需要将收集到的数据和信息进行汇总时,我们就需要一个 API 网关来接收从千百个终端发出的请求,它实现对外统一接口,对内进行负载均衡的功能。极大的方便了 API系统 的开发与维护。如果有需要,API 网关也可以根据各终端使用的不同通信协议来进行协议适配,从而方便应用层进行数据采集和分析。 什么是 API 网关? 在想了2021-04-16 15:01:1296 8 5340
-
文章目录 1 数字图像解释 2 cifar10数据集踩坑 3 Keras代码实现流程 3.1 导入数据 3.2 浅层CNN 3.3 深层CNN 3.4 进一步改进 1 数字图像解释 什么是图像? 图像是二维或三维景物呈现在人们眼中的影像。例如人眼所见景物,照片,电视电影等。 更确切地说,图像是用各种观测系统以不同形式和手段观测客观世界而获得的,可以直接或间接作用于人眼并进而产生视知觉的实体 。 数2021-04-19 14:54:2396 8 3851
-
文章目录 【深度学习】利用一些API进行图像数据增广 1 先送上一份最强的翻转代码(基于PIL) 2 Keras中的数据增强API种类概述 3 特征标准化 4 ZCA白化 5 随机旋转、移动、剪切和反转图像 6 保存和展示图像代码 7 pytorch随机裁剪 1 先送上一份最强的翻转代码(基于PIL) import PIL.Image as img import os path_old = "/2021-04-19 14:55:0093 7 4172
-
文章目录 【深度学习】数形结合的图像处理(文末介绍了一种新型网络) 前言: OpenCV介绍 1 读取图像 2 修改图像尺寸 3 矩阵操作处理图像 3.1 剪切图像 3.2 二维码转矩阵代码(部分) 4 使用Open cv抠图代码(部分) 5 EfficientNet 5.1 相关介绍 5.2 如何高效的进行多尺度特征融合(efficient multi-scale2021-04-19 14:55:3489 7 4003
-
文章目录 1 MNIST数据集 2 导入数据 3 MLP 4 简单CNN 5 改进CNN 6 训练API的介绍 7 通道和卷积核辨析 1 MNIST数据集 MNIST数据集(Mixed National Institute of Standards and Technology database)是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,0002021-04-19 14:56:5793 8 5883
-
深入浅出机器学习的概念特征及算法(基础篇) 前言 机器学习是一个数据驱动的过程,数据科学也是一个广泛而令人兴奋的领域,从聚类、关联、到探索标准化,大数据的感性与互联网变革的风暴正在完美的诠释着科学精准与预知预判的洞察意义。 正如Melissa Burkley Ph.D 所说:发散的思维会带来新的和创造性的想法。机器学习就是一个不断发散、量化、裂变的过程,社会经济进入分化的时代,机器学习在智能应用领2021-04-20 15:42:2669 8 9261
-
深入浅出机器学习的概念特征及算法(进阶篇) 前言 紧接上篇《深入浅出机器学习的概念特征及算法》,这一篇将深入展开机器学习的五大特征和十大算法,机器学习是一个数据驱动的过程,数据科学也是一个广泛而令人兴奋的领域,从聚类、关联、到探索标准化,大数据的感性与互联网变革的风暴正在完美的诠释着科学精准与预知预判的洞察意义,希望接下来的内容对你有所帮助。 一、机器学习的5大基本特征 从现实意义上来说,机器学习2021-04-20 15:43:0396 7 5126
-
1 从逻辑回归说起 2 深度学习框架 3 基于反向传播算法的自动求导 4 简单深度神经网络框架实现 4.1 数据结构 4.2 计算图组件 4.3 训练模型(部分代码) 1 从逻辑回归说起 神经网络可以用来模拟回归问题 (regression),例如给下面一组数据,用一条线来对数据进行拟合,并可以预测新输入 x 的输出值。 导入模块并创建数据 models.Sequenti2021-04-20 15:50:2793 7 4187
-
文章目录 1 常用层 1.1 Dense 1.2 Activation层 1.3 Dropout 1.4 Flatten 2 卷积层 2.1 Cov2D 2.2 Cropping2D层 2.3 Cropping3D层 2.4 ZeroPadding2D层 1 常用层 1.1 Dense keras.layers.Dense(units2021-04-21 17:05:2897 8 4471
-
文章目录 1 池化层 1.1 MaxPooling2D 1.2 MaxPooling1D: 1.3 AveragePooling2D 1.4 深度学习的可解释性|Global Average Pooling(GAP) 2 正则化 2.1 BatchNormalization 3 反卷积层 3.1 UpSampling2D 3.2 循环层(RNN) 3.3 GRU 1 池化层 1.1 MaxPool2021-04-21 17:05:5696 8 4298