其他

卷積 卷積函數為: tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) input為一個4-D的輸入,fileter為濾波器(卷積核),4-D,通常為[height, width, input_dim, output_dim],height, width分別表示卷積核的高,寬.input_dim,

在上一篇文章中，雖然最終運行結果正確， 但是在運行結果最後報了一個錯誤： _1_input_producer: Skipping cancelled enqueue attempt with queue not closed 這主要是主線程已經關閉，但是讀取資料入隊線程還在執行入隊。這篇文章轉自《理解TensorFlow的Queue》一文，文章對TF隊列講的很詳細，受益匪淺，很有必要轉載過來。這裡對原文有部分用詞做了修改，比如“卡住”改為“阻塞”。

用Spyder執行TensorFlow代碼時，每次都會顯示“kernel died，restarting”.尋找原因發現終端視窗有如下報錯： Loaded runtime CuDNN library: 5005 (compatibility version 5000) but source was compiled with 5103 (compatibility version 5100) 。        

01 簡單磁碟區積網路 # 《TensorFlow實戰》05 TensorFlow實現卷積神經網路# win10 Tensorflow1.0.1 python3.5.3# CUDA v8.0 cudnn-8.0-windows10-x64-v5.1# filename:sz05.01.py # 簡單磁碟區積網路from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist =

本想著簡單記錄下過程，沒想到大家這麼喜歡這篇博文，萬分榮幸。可能我記錄的不夠詳細，有人實際操作中出現了一些問題。在此給出工程代碼（由於自己下東西積分時常不夠，所以給資源加了積分。如果沒積分想下載可以私信我郵箱）。 介紹 論文《Visualizing and Understanding Convolutional Networks》通過對卷積網路的逆向操作，將指定卷積層的啟用值反向投影到輸入像素空間，從而揭示輸入映像的不同部分對該層啟用值的貢獻大小。

       在深度學習網路結構中，各個層的類別可以分為這幾種：卷積層，全串連層，relu層，pool層和反卷積層等。目前，在像素級估計和端對端學習問題中，全卷積網路展現了他的優勢，裡面有個很重要的層，將卷積後的feature map上採樣（反卷積）到輸入映像的尺寸空間，就是反卷積層。那麼它在tensorflow裡是怎麼實現的呢。本篇博文講介紹這方面的內容。 1. 反卷積函數介紹 tf.nn.conv2d_transpose(value,

https://buptldy.github.io/2016/10/29/2016-10-29-deconv/ Transposed Convolution, Fractionally Strided Convolution or Deconvolution  Posted on 2016-10-29

回溯演算法的基本思想是：從一條路往前走，能進則進，不能進則退回來，換一條路再試。 #include <stdio.h>#include <math.h>#include <stdlib.h> #define N_size 7#define INITIAl -1000int N=N_size;int count = 0;void init(int a[]){int *p = a;for(int i = 0; i<=N_size; i++){*p

#include <stdio.h>#include <stdlib.h>#include <cstring>using namespace std;typedef struct HuffNode{int weight;int parent, lchild, rchild;}HuffNode, HuffTree;void select(HuffTree* H, int m, int* s1, int* s2)//在索引為0~m的元素中找到**parent為0*

原文連結：http://www.2cto.com/kf/201609/545237.html 前言 (嘔血製作啊。)前幾天剛好做了個映像語義分割的彙報，把最近看的論文和一些想法講了一下。所以今天就把它總結成文章啦，方便大家一起討論討論。本文只是展示了一些比較經典和自己覺得比較不錯的結構，畢竟這方面還是有挺多的結構方法了。 介紹 映像語義分割，簡單而言就是給定一張圖片，對圖片上的每一個像素點分類

數字貨幣原理其實很簡單，主要是分為加密和不加密的兩種，不加密的貨幣可以由任何人發行，並且不受限制，想發行多少都可以。大家都熟悉的騰訊公司根據市場需求發行的一些Q幣，使用的人越多發行量就越大，基本上不具備收藏和升值的價值。

串口與並口： 串口一次接收和發送一個 bit； 並口，多個資料通路同時發送或者接收； 並口並不見得一定比串口的效率來得高； 名稱中已包含串口之義： USB：Universal Serial Bus SAS：Serial Attached SCSI SATA：Serial ATA PCIe 也是串口； 1. 並口通訊的限制 各個資料通路上的bit不要求是同步的，

1. 工藝 鎏金： 將金和水銀合成金汞劑，塗在銅器表面，然後加熱使水銀蒸發，金就附著在器面不脫。 錯金是指一種金屬絲鑲嵌的工藝，用金銀絲在器物的表面上鑲嵌成花紋或文字。 2. 瓷器 五大名窯： 汝官哥鈞定； 汝窯：以釉色取勝； 釉色： 天藍釉； 雨過天晴雲破處，者般顏色做將來； 霽藍釉； 斷代： 元青花；

開發一款屬於自己的數字貨幣，這樣不僅可以吸引到大量的投資者，更是能夠擷取更多利潤。可以說現在數字貨幣已經成為全球化的一種貨幣類型，而且可以跨國使用，這也是一些人轉賬必須要使用到的貨幣。到底誰會開發數字貨幣，應該如何開發，我們還是要認真對比，最好是能夠直接找到專業公司。那麼這類公司應該如何進行選擇呢。

   最近吳恩達的深度學習第五門課序列模型終於出來了，我抽了一些時間，剛剛完成了課程，不得不說，Ng的第五門課我還是很滿意的，視頻和作業都很不錯，作業內容也很前沿，比如Emogify和trigger word detection，再加上我最近沉迷小愛同學，因此尤其對trigger word detection比較感興趣233.準備抽時間用我的渣電腦搞一波自己的資料集並訓練一波。  

首先聲明兩者所要實現的功能是一致的（將多維陣列降位一維），兩者的區別在於返回拷貝（copy）還是返回視圖（view），numpy.flatten()返回一份拷貝，對拷貝所做的修改不會影響（reflects）原始矩陣，而numpy.ravel()返回的是視圖（view，也頗有幾分C/C++引用reference的意味），會影響（reflects）原始矩陣。 1. 兩者的功能 >>> x = np.array([[1, 2], [3, 4]])>>>

本文介紹如何使用TensorFlow來讀取圖片資料，主要介紹寫入TFRecord檔案再讀取和直接使用隊列來讀取兩種方式。假設我們圖片目錄結構如下： |---a| |---1.jpg| |---2.jpg| |---3.jpg||---b| |---1.jpg| |---2.jpg| |---3.jpg||---c| |---1.jpg| |---2.jpg| |---3.jpg 1 使用TFRecoder

在上一篇文章中《Tensorflow載入預訓練模型和儲存模型》，我們學習到如何使用預訓練的模型。但注意到，在上一篇文章中使用預訓練模型，必須至少的要4個檔案： checkpointMyModel.metaMyModel.data-00000-of-00001MyModel.index

關於反卷積的簡單例子，可以參照我的另外一篇文章： http://blog.csdn.net/guvcolie/article/details/77529683 文章出處：http://blog.csdn.net/mao_xiao_feng/article/details/71713358 反卷積操作是卷積的反向 如果你隨時都記住上面強調的重點，那你基本就理解一大半了，接下來通過一些函數的介紹為大家強化這個觀念

反卷積與卷積 反卷積，顧名思義是卷積操作的逆向操作。 為了方便理解，假設卷積前為圖片，卷積後為圖片的特徵。 卷積，輸入圖片，輸出圖片的特徵，理論依據是統計不變性中的平移不變性（translation invariance），起到降維的作用。如下動圖： 反卷積，輸入圖片的特徵，輸出圖片，起到還原的作用。如下動圖： 我們知道卷積結合池化的降維作用，將神經網路推向深度學習，開啟神經網路的新世界，那麼反卷積的作用呢。 反卷積的作用