图像增强(IA)、数据预处理
日萌社
人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)
tensorflow 2.0 画出model网络模型的拓扑图
tensorflow 2.0 的回调函数callbacks(TensorBoard、ModelCheckpoint)
TensorBoard视觉化网络每层权重分布、视觉化网络层结构
MSE(均方误差)、MAE(平均绝对误差)
from_logits
CE(Cross-Entropy)、BCE(Binary Cross-Entropy 即Sigmoid+CE)、CCE(Categorical Cross-Entropy 即Softmax+CE)
对连续值/离散值进行预处理的两种方式(标准化/one-hot化)、反标准化/逆标准化、字符串预处理
损失函数loss、指标函数metrics
激活函数 Sigmoid、Tanh、ReLU、Softmax
Batch Normalization
反向传播、梯度下降、学习率、优化器optimizers(GD、SGD、Momentum、AdaGrad、Adam)
权重初始化对于激活函数的选择:随机常态分布/随机正态分布初始化(标准差为0.01或1)、Xavier(Glorot)初始化、He初始化
图像增强(IA)、数据预处理
混淆矩阵tf.math.confusion_matrix
使用预训练网络训练的两种方式:Keras Applications、TensorFlow Hub
import tensorflow as tfdef parse_aug_fn(dataset):"""Image Augmentation(影像增強) function"""x = tf.cast(dataset['image'], tf.float32) / 255. # 影像標準化x = flip(x) # 隨機水平翻轉# 觸發顏色轉換機率50%x = tf.cond(tf.random.uniform([], 0, 1) > 0.5, lambda: color(x), lambda: x)# 觸發影像旋轉機率0.25%x = tf.cond(tf.random.uniform([], 0, 1) > 0.75, lambda: rotate(x), lambda: x)# 觸發影像縮放機率50%x = tf.cond(tf.random.uniform([], 0, 1) > 0.5, lambda: zoom(x), lambda: x)# 將輸出標籤轉乘One-hot編碼y = tf.one_hot(dataset['label'], 10)return x, ydef parse_fn(dataset):x = tf.cast(dataset['image'], tf.float32) / 255. # 影像標準化# 將輸出標籤轉乘One-hot編碼y = tf.one_hot(dataset['label'], 10)return x, ydef flip(x):"""flip image(翻轉影像)"""x = tf.image.random_flip_left_right(x) # 隨機左右翻轉影像return xdef color(x):"""Color change(改變顏色)"""x = tf.image.random_hue(x, 0.08) # 隨機調整影像色調x = tf.image.random_saturation(x, 0.6, 1.6) # 隨機調整影像飽和度x = tf.image.random_brightness(x, 0.05) # 隨機調整影像亮度x = tf.image.random_contrast(x, 0.7, 1.3) # 隨機調整影像對比度return xdef rotate(x):"""Rotation image(影像旋轉)"""# 隨機選轉n次(通過minval和maxval設定n的範圍),每次選轉90度x = tf.image.rot90(x,tf.random.uniform(shape=[],minval=1,maxval=4,dtype=tf.int32))return xdef zoom(x, scale_min=0.6, scale_max=1.4):"""Zoom Image(影像縮放)"""h, w, c = x.shapescale = tf.random.uniform([], scale_min, scale_max) # 隨機縮放比例sh = h * scale # 縮放後影像長度sw = w * scale # 縮放後影像寬度x = tf.image.resize(x, (sh, sw)) # 影像縮放x = tf.image.resize_with_crop_or_pad(x, h, w) # 影像裁減和填補return x
图像增强(IA)、数据预处理相关推荐
- 数据集准备及数据预处理_1.准备数据集
数据集准备及数据预处理 In this post I will introduce an example of how to upgrade legacy tensorflow codes to ne ...
- (第一篇)pytorch数据预处理三剑客之——Dataset,DataLoader,Transform
前言:在深度学习中,数据的预处理是第一步,pytorch提供了非常规范的处理接口,本文将针对处理过程中的一些问题来进行说明,本文所针对的主要数据是图像数据集. 本文的案例来源于车道线语义分割,采用的数 ...
- 目标检测:数据预处理——图像增广
文章目录 一.数据增多(图像增广) 主要作用: 数据预处理 **随机改变亮暗.对比度和颜色等** **随机填充** **随机裁剪** **随机缩放** **随机翻转** **随机打乱真实框排列顺序** ...
- 【2022】全网最详细纯手工写YOLOv3之数据预处理,你必须看得懂(二)
二. YOLO数据预处理流程 2.1 流程简述 原始数据一般是图片数据和标注数据,其中标注数据目前有两种,一种是VOC格式的.xml文件存储标注信息,另外一种标注格式CoCo用json来存储标注信息, ...
- 深度之眼Pytorch打卡(九):Pytorch数据预处理——预处理过程与数据标准化(transforms过程、Normalize原理、常用数据集均值标准差与数据集均值标准差计算)
前言 前段时间因为一些事情没有时间或者心情学习,现在两个多月过去了,事情结束了,心态也调整好了,所以又来接着学习Pytorch.这篇笔记主要是关于数据预处理过程.数据集标准化与数据集均值标准差计算 ...
- YOLOV3林业病虫害数据集和数据预处理-paddle教程
林业病虫害数据集和数据预处理方法介绍 在本课程中,将使用百度与林业大学合作开发的林业病虫害防治项目中用到昆虫数据集. 读取AI识虫数据集标注信息 AI识虫数据集结构如下: 提供了2183张图片,其中训 ...
- 机器学习PAL数据预处理
机器学习PAL数据预处理 本文介绍如何对原始数据进行数据预处理,得到模型训练集和模型预测集. 前提条件 完成数据准备,详情请参见准备数据. 操作步骤 登录PAI控制台. 在左侧导航栏,选择模型开发和训 ...
- 深度学习——数据预处理篇
深度学习--数据预处理篇 文章目录 深度学习--数据预处理篇 一.前言 二.常用的数据预处理方法 零均值化(中心化) 数据归一化(normalization) 主成分分析(PCA.Principal ...
- 目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)
首先贴上代码原作者的github:https://github.com/chenyuntc/simple-faster-rcnn-pytorch(非代码作者,博文只解释代码) 今天看完了simple- ...
最新文章
- 追求知识而非光环——图灵奖得主的反内卷人生
- 那些年,面试被虐过的红黑树 1
- boost::math::tools::centered_continued_fraction用法的测试程序
- php如果字符串有1 3 5,PHP常用字符串函数小结
- 写接口是什么意思啊_科普贴:果汁包装上写NFC到底是什么意思?
- 必看!Spark 进阶之路之「SparkSQL」入门概述 | 博文精选
- python怎么运行yaml配置文件_cfg4py:一个严肃的Python配置模块应有的风格
- Java JDK中的跳表实现
- 进化计算-进化策略(Evolutionary Strategies,ES)前世今生与代码共享
- java obervable_设计模式--观察者模式初探和java Observable模式
- ant组件中select默认选中某一项
- 微软私有云部署及讲解专题
- html广告代码自适应,很实用的对联广告代码(自适应高度)
- 如何打开usb计算机连接打印机驱动,打印机USB连接安装设置及常见问题处理
- cdrx8如何批量导出jpg_cdr超级伴侣批量导图v8.0 免费版
- Justinmind_Prototyper官网下载、破解、汉化
- 华硕路由域名访问_域名绑定ip怎么做?有什么方法?
- 快鲸公寓管理系统:职业房东、公寓运营商的共同选择
- 高级转录组调控分析和R语言数据可视化第十三期 (线上/线下同时开课)
- ttkefu怎么取消英文版?显示中文版