Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
圈层
工具
文章/答案/技术大牛
发布
首页
学习
活动
专区
圈层
工具
返回腾讯云官网
社区首页 >专栏 >AI识万物：从0搭建和部署手语识别系统 ⛵

AI识万物：从0搭建和部署手语识别系统 ⛵

原创
作者头像
ShowMeAI
发布于 2022-08-09 10:59:57
发布于 2022-08-09 10:59:57
1K00
代码可运行
举报
文章被收录于专栏：ShowMeAI研究中心ShowMeAI研究中心
运行总次数：0
代码可运行
关联问题
换一批

💡 作者：韩信子@ShowMeAI 📘 深度学习实战系列：https://www.showmeai.tech/tutorials/42 📘 计算机视觉实战系列: https://www.showmeai.tech/tutorials/46 📘 本文地址：https://www.showmeai.tech/article-detail/292 📢 声明：版权所有，转载请联系平台与作者并注明出处 📢 收藏ShowMeAI查看更多精彩内容

据北京听力协会预估数据，我国听障人群数量已过千万。而在全球范围内有4.66亿人患有残疾性听力损失，约占全世界人口的5%。聋哑人士很特殊，他们需要使用手语进行交流，其他与常人无异，我国存在特殊教育水平在各城市中发展力度具有较大差异，国家通用手语推广程度浅，但不懂手语，与听力障碍者交流会非常困难。

在本篇内容中，ShowMeAI 借助深度学习与神经网络技术，针对这个问题从 0 构建 1 个应用程序，检测手语并将其翻译给其他人进而打破手语隔阂。

搭建和部署完成后，你可以通过摄像头，轻松测试模型，如下图所示，快来一起试试吧。这个动图中的手势代表的单词，见文末哦！

💡 手语介绍

我们先来简单了解一下手语，它由 3 个主要部分组成：

  • 手指拼写：这是一种手动的交流方式，用双手和手指拼写单词。每个字母都用指定的手位置表示。
  • 单词级符号词汇：这是一个大型视频数据集，用于识别单词或字母的整个手势。
  • 非手部特征：包括任何面部表情、嘴巴、舌头或身体姿势。

在本文中，我们先解决第①个部分的问题。我们准备使用的解决方案是基于视觉数据的神经网络

💡 深度学习与计算机视觉

人工智能和计算机视觉的最典型的模型是卷积神经网络（CNN），它在典型的计算机视觉应用中（如图像识别、目标检测等）应用广泛。我们在本次应用的核心技术也将采用 CNN。

CNN 网络有着如上图所示的网络结构，典型的结构包括卷积层、池化层、激活层、全连接层等，对于输入图像，可以有效抽取图像内容表征，并进行分类或其他处理。卷积层等特殊结构，可以在控制参数量的前提下，保证良好的图像特征提取能力。

关于卷积神经网络的详细知识可以参考ShowMeAI下述教程：ShowMeAI的 深度学习教程 | 吴恩达专项课程 · 全套笔记解读 中的文章 卷积神经网络解读 ShowMeAI的 深度学习与计算机视觉教程 中的文章 卷积神经网络详解

💡 小试牛刀，打通流程

我们来构建一个 CNN 识别的流程，会分成以下基础步骤：

① 导入相关库

我们在这里主要使用 TensorFlow 构建网络与训练，会使用 Numpy 做数据计算与处理，以及使用 Matplotlib 进行简单可视化。

对于这些工具库，ShowMeAI都制作了快捷即查即用的速查表手册，大家可以在下述位置获得：Tensorflow 速查手册 Numpy 速查手册 Matplotlib 速查手册

我们先把这些工具库导入。

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 导入工具库
import string
import pandas as pd
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow import keras
from functools import partial
from tensorflow.keras.preprocessing.image import ImageDataGenerator, array_to_img

② 读取数据集

本数据集为手语字母对应的数据集，图片 size 不大，所以也叫做 sign_mnist 数据集（类比手写数字数据集 mnist），部分示例图片如下

数据集大家可以在 🏆Kaggle平台对应数据集页面 下载，也可以通过ShowMeAI的百度网盘地址下载。

🏆 实战数据集下载（百度网盘）：点击 这里 获取本文 [5] 从0搭建基于神经网络的手语识别系统 『sign_mnist 数据集』

⭐ ShowMeAI官方GitHub：https://github.com/ShowMeAI-Hub

下面我们加载训练集与测试集并切分特征与标签：

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 读取数据
test = pd.read_csv("sign_mnist_test.csv")
train = pd.read_csv("sign_mnist_train.csv")

# 输出基本信息
print("训练集维度", train.shape)
print("测试集维度", train.shape)
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 输出标签信息
labels = train["label"].value_counts().sort_index(ascending=True)
labels
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 切分特征与标签
train_x = train.drop(labels = "label", axis = 1)
train_y = train["label"]
test_x = test.drop(labels = "label", axis = 1)
test_y = test["label"]
train_x.head()
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 数据预处理与可视化

# 存储标签数据
test_classes= test_y
train_clasees = train_y

# 特征转为numpy格式
train_x = train_x.to_numpy()
test_x = test_x.to_numpy()

# 把数据转为3维图像数据（图片数量*宽*高，这里如果是灰度图，颜色通道为1，省略）
train_x = train_x.reshape(-1,28,28)
test_x = test_x.reshape(-1,28,28)
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 在训练集中取样30张图片，做可视化查看
def plot_categories(training_images, training_labels):
    fig, axes = plt.subplots(3, 10, figsize=(16, 15))
    axes = axes.flatten()
    letters = list(string.ascii_lowercase)

    for k in range(30):
        img = training_images[k]
        img = np.expand_dims(img, axis=-1)
        img = array_to_img(img)
        ax = axes[k]
        ax.imshow(img, cmap="Greys_r")
        ax.set_title(f"{letters[int(training_labels[k])]}")
        ax.set_axis_off()

    plt.tight_layout()
    plt.show()

plot_categories(train_x, train_y)

③ 卷积神经网络CNN搭建

我们使用 TensorFlow 的 high level API（即keras）搭建一个简易CNN神经网络，并拟合一下数据

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
def create_model():
    model = tf.keras.models.Sequential([
    # 卷积层
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
    # 池化层
    tf.keras.layers.MaxPooling2D(2,2),
    # 卷积层
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    # 池化层
    tf.keras.layers.MaxPooling2D(2,2),
    # 展平
    tf.keras.layers.Flatten(),
    # 全连接层
    tf.keras.layers.Dense(512, activation='relu'),
    # softmax分类
    tf.keras.layers.Dense(26, activation='softmax')])

    model.compile(
    optimizer='adam',  #优化器
    loss='sparse_categorical_crossentropy',  #损失函数
    metrics=['accuracy']) #评估准则
  
    return model
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 初始化模型
model = create_model()
# 拟合数据
history = model.fit(train_x, train_y, epochs=20, validation_data=(test_x, test_y))

我们这里在全量数据集上迭代20个轮次，结果如下：

我们可以看到，这里的数据并不特别复杂，在自己从头搭建的 CNN 模型上，经过训练可以达到训练集 100% 验证集 92% 的准确率。

我们再对训练过程中的「准确率」及「损失函数」变化值进行绘制，以了解模型状态。

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 获取准确率与损失函数情况
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

# matplotlib绘制训练过程中指标的变化状况
epochs = range(len(acc))

plt.plot(epochs, acc, 'r', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()

plt.plot(epochs, loss, 'r', label='Training Loss')
plt.plot(epochs, val_loss, 'b', label='Validation Loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

💡 问题与优化

① 深度网络与梯度消失

一般来说，随着 CNN 网络层数变深，模型的学习能力会变强，也能学到更多的信息。但训练深度CNN存在梯度消失的问题。

梯度消失和梯度爆炸部分内容也可以参考ShowMeAI的对吴恩达老师课程的总结文章 📘 深度学习教程 | 深度学习的实用层面

非常深的神经网络的梯度会很快变为零（反向传播的梯度连乘带来的问题），这最终会使整个梯度下降变慢。有一些特殊结构的神经网络，可以大程度缓解这个问题，比如最著名的 ResNet，当然，大家可以借助 ResNet 预训练模型快速迁移学习应用在我们当前的手语识别问题上，为了让大家对ResNet 细节更清晰，我们在这里手动搭建 ResNet-50（即50层的ResNet网络）来训练和做效果对比。

ResNet的详细讲解也可以参考ShowMeAI的 📘 深度学习教程 | 吴恩达专项课程 · 全套笔记解读中的文章 📘 深度学习教程 | 经典CNN网络实例详解。

② ResNet 模型简介

ResNet 是 Residual Networks 的简称，是迄今为止我们看到的最流行和最成功的深度学习模型之一。ResNets 由残差块组成，残差块的核心组件是『跳跃连接/skip-connection』。跳跃连接，也称为快捷连接，让神经网络跳过某些层并将一层的输出馈送到神经网络中另一层的输入。它能帮助模型避免乘以中间跳过的那些层的权重，从而有助于解决梯度消失的问题。

然而，使用 ResNet 和跳跃连接，由于中间有卷积层和池化层，一层输出的维度可能与另一层的输出维度不同。为了解决这个问题，可以使用两种方法：

  • 快捷连接填充多个零实体以增加其维度
  • 添加 1X1 卷积层来匹配维度。

但是，对于第二种方法，我们需要在输出中添加一个额外的参数，而第一种方法不需要。

③ ResNet为何有效

ResNet的效果核心有2点：

  • ① 它使用我们上面提到的跳跃连接，它跳过层来解决梯度消失的问题。
  • ② 它通过让模型学习恒等函数来确保最高层的性能至少与最低层一样好。

④ 构建ResNet-50

下面我们参考 keras 官方 ResNet 构建方式，构建一个 ResNet-50，如下所示，我们先构建基本模块，再组装成最终的网络。

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# Defining the identity block of the Resnet-50 Model. 
def identity_block(X, f, filters, training=True):
    # filter of the three convs 
    f1,f2,f3 = filters
    X_shortcut = X 
    
    # First Component 
    X = tf.keras.layers.Conv2D(filters = f1, kernel_size = 1, strides = (1,1), padding = 'valid')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    X = tf.keras.layers.Activation('relu')(X)
   
    # Second Component 
    X = tf.keras.layers.Conv2D(filters = f2, kernel_size = f, strides = (1,1), padding = 'same')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    X = tf.keras.layers.Activation('relu')(X)
   
    # Third Component 
    X = tf.keras.layers.Conv2D(filters = f3, kernel_size = 1, strides = (1,1), padding = 'valid')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    
    # Adding the two tensors 
    X = tf.keras.layers.Add()([X_shortcut,X])
    X = tf.keras.layers.Activation('relu')(X)
    
    # Returning the last output
    return X
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# Defining the Convolution Block of the Resnet-50 Model. 
def convolutional_block(X, f, filters, s=2,training=True):
    # filter of the three convs 
    f1,f2,f3 = filters
    X_shortcut = X 
    
    # First Component 
    X = tf.keras.layers.Conv2D(filters = f1, kernel_size = 1, strides = (1,1), padding = 'valid')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    X = tf.keras.layers.Activation('relu')(X)
    
    # Second Component 
    X = tf.keras.layers.Conv2D(filters = f2, kernel_size = f, strides = (s,s), padding = 'same')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    X = tf.keras.layers.Activation('relu')(X)
    
    # Third Component 
    X = tf.keras.layers.Conv2D(filters = f3, kernel_size = 1, strides = (1,1), padding = 'valid')(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X, training = training) # Default axis
    
    # Converting the Input Volume to the match the last output for addition. 
    X_shortcut =tf.keras.layers.Conv2D(filters = f3, kernel_size = 1, strides = (s,s), padding = 'valid')(X_shortcut)
    X_shortcut = tf.keras.layers.BatchNormalization(axis = 3)(X_shortcut, training = training)
    X = tf.keras.layers.Add()([X_shortcut,X])
    X = tf.keras.layers.Activation('relu')(X)
    
    # Adding the last two tensors
    X = tf.keras.layers.Add()([X, X_shortcut])
    X = tf.keras.layers.Activation('relu')(X)
    
    # Returning the output tensor
    return X
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# Defining a modified Resnet-50 Model using the Identity and Convolution Blocks. 
def ResNet50(input_shape = (28, 28, 1), classes = 26):
    
    # Defining the input as a tensor with shape input_shape
    X_input = tf.keras.Input(input_shape)
    
    # Zero-Padding
    X = tf.keras.layers.ZeroPadding2D((3, 3))(X_input)
    
    # Stage 1
    X = tf.keras.layers.Conv2D(64, (5, 5), strides = (1, 1))(X)
    X = tf.keras.layers.BatchNormalization(axis = 3)(X)
    X = tf.keras.layers.Activation('relu')(X)
    X = tf.keras.layers.MaxPooling2D((3, 3), strides=(2, 2))(X)

    # Stage 2
    X = convolutional_block(X, f = 3, filters = [64, 64, 256], s = 1)
    X = identity_block(X, 3, [64, 64, 256])
    X = identity_block(X, 3, [64, 64, 256])
    
    # Add an Average Pool Layer
    X = tf.keras.layers.AveragePooling2D((2,2))(X)

    # Output Layer
    X = tf.keras.layers.Flatten()(X)
    X = tf.keras.layers.Dense(classes, activation='softmax')(X)
    
    # Create Model
    model = tf.keras.Model(inputs = X_input, outputs = X)

    return model

⑤ 训练ResNet-50

下面我们在数据集上，使用 ResNet-50 网络进行训练

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 初始化模型
model = ResNet50()

# 编译
model.compile(optimizer="adam",metrics=["accuracy"],loss = "sparse_categorical_crossentropy")

# 训练
history = model.fit(train_x, train_y, validation_data = (test_x, test_y), epochs =10)

得到如下结果

💡 优化效果对比

我们对ResNet-50也绘制训练过程中准确率和损失函数的变化，如下

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 获取准确率与损失函数情况
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

# matplotlib绘制训练过程中指标的变化状况
epochs = range(len(acc))

plt.plot(epochs, acc, 'r', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()

plt.plot(epochs, loss, 'r', label='Training Loss')
plt.plot(epochs, val_loss, 'b', label='Validation Loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

对比图如下：

我们观察到，从简单的 CNN 模型换到 ResNet 模型时，测试集的准确率从92% 到 97% 。也说明了，ResNet 的结构确实能够带来效果上的提升。

💡 部署与实时测试

在这里我们做一个简单的测试，使用 OpenCV 的视频录制功能，通过 python 收集我们的摄像头的镜头采集的图像并进行实时预测。

ShowMeAI给OpenCV工具库制作了快捷即查即用的 OpenCV 速查表手册，大家可以点击查看和下载。

具体的过程是，我们解析捕获的每一帧图像，将其处理为灰度图（类似于我们模型的训练集），在图像中心抓取一个 400*400 像素的正方形区域（参见 x0,x1,y0,y1），将正方形调整为我们最初的 28x28 大小并使用我们的模型进行测试（之前保存到 .h5 文件）。

代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 导入工具库
import keras
import numpy as np
from PIL import Image
import string
import pandas as pd
import tensorflow as tf
代码语言：python
代码运行次数：0
运行
AI代码解释
复制
# 导入OpenCV
import cv2
from matplotlib import pyplot

# 设定维度
dim = (28, 28) # 图像维度
letters = list(string.ascii_lowercase) # 识别的字母

x0 = 1920 // 2 - 400 # 400px left of center
x1 = 1920 // 2 + 400 # 400px right of center
y0 = 1080 // 2 - 400 # 400px right of center
y1 = 1080 // 2 + 400 # 400px right of center

# 初始化视频捕获
video=cv2.VideoCapture(0)

cv2.namedWindow('Webcam') # 构建1个窗口
cv2.moveWindow('Webcam',40,30) # 放置窗口

while video.isOpened(): # 只要没有关掉实时摄像头
    ret,capture = video.read() # 抓取每个视频帧
    cropped = capture[y0:y1, x0:x1] # 截取
    img = cv2.cvtColor(cropped, cv2.COLOR_BGR2GRAY) # 转成灰度图
    img = cv2.GaussianBlur(img, (5, 5), 0) # 图像平滑
    img = cv2.resize(img, dim) # 图像大小缩放
    pyplot.imshow(img, cmap='gray') # 可视化展示图片
    pyplot.show() # 展示
    img = np.reshape(img, (1,img.shape[0],img.shape[1],1))
    img = tf.cast(img, tf.float32)
    pred=model.predict(img)

    # 可视化实时效果
    cv2.rectangle(capture, (x0,y0),(x1,y1),(255,0,0),2) # 为图片添加矩形框
    cv2.putText(capture,'{} res50'.format(letters[np.argmax(pred[0])]),(x0+25,y0+50),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),1) # 预测字母
    cv2.imshow('Webcam', capture) # 展示视频
    
    # 结果输出
    print(pred)
    print(letters[np.argmax(pred[0])])
    
    # 退出视频输入
    key = cv2.waitKey(1)
    if key == ord('q'):
        break
video.release()
cv2.destroyAllWindows()

为了更轻松地对预估结果查看，我们把将预测的字母显示在实时画面上（请参阅下面的 gif 以测试单词 hello）。

💡 参考资料

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

深度学习
图像识别

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

深度学习
图像识别
#计算机视觉
#CNN
#梯度消失
#BN
#resnet
评论
登录后参与评论
暂无评论
登录 后参与评论
推荐阅读
编辑精选文章
换一批
万字详解高可用架构设计
1452
Go 开发者必备：Protocol Buffers 入门指南
704
10分钟带你彻底搞懂分布式链路跟踪
378
多租户的 4 种常用方案
844
亿级月活的社交 APP，陌陌如何做到 3 分钟定位故障？
634
60页PPT全解：DeepSeek系列论文技术要点整理
1305
TensorFlow2.0 实战强化专栏（二）：CIFAR-10项目
blockdatamonitor
Alex Krizhevsky，Vinod Nair和Geoffrey Hinton收集了8000万个小尺寸图像数据集，CIFAR-10和CIFAR-100分别是这个数据集的一个子集（http://www.cs.toronto.edu/~kriz/cifar.html）。CIFAR-10数据集由10个类别共60000张彩色图片组成，其中每张图片的大小为32X32，每个类别分别6000张。
磐创AI
2020/03/04
1.1K0
爆肝万字，终于搞定这篇⛵神经网络搭建全全全流程！学不会你来找我~
深度学习神经网络卷积神经网络tensorflow
深度学习是机器学习的一类算法，它应用各种结构的神经网络解决问题（深度学习中的『深度』指的是我们会通过深层次的神经网络构建强大的学习器），模仿人类获得某些类型知识的方式，与传统机器学习模型相比，神经网络有更灵活的结构设计，更强的学习能力，能支撑更大量级的数据学习，因此广泛引用于各种业务中。
ShowMeAI
2022/08/09
1.4K0
爆肝万字，终于搞定这篇⛵神经网络搭建全全全流程！学不会你来找我~
卷积_ResNet
gpuimage
刚才边写这个，别跑程序，偏偏没有选择自动保存，因此没得了，一个字也没有给我留下来，消耗了我所有的耐心。
火星娃统计
2021/11/02
3280
手把手教你使用CNN进行交通标志识别（已开源）
keraspython机器学习
在本文中，使用Python编程语言和库Keras和OpenCV建立CNN模型，成功地对交通标志分类器进行分类，准确率达96%。开发了一款交通标志识别应用程序，该应用程序具有图片识别和网络摄像头实时识别两种工作方式。
小白学视觉
2022/12/28
2.9K0
手把手教你使用CNN进行交通标志识别（已开源）
从零开始构建：使用CNN和TensorFlow进行人脸特征检测
tensorflowkerasinstagramkaggle
人脸检测系统在当今世界中具有巨大的用途，这个系统要求安全性，可访问性和趣味性！今天，我们将建立一个可以在脸上绘制15个关键点的模型。
deephub
2020/05/09
1.1K0
从零开始构建：使用CNN和TensorFlow进行人脸特征检测
使用Python实现深度学习模型：智能垃圾分类与回收系统
python腾讯技术创作特训营S8
智能垃圾分类与回收系统通过深度学习技术，可以自动识别和分类不同类型的垃圾，提高垃圾回收效率，减少环境污染。本文将介绍如何使用Python和深度学习技术来实现智能垃圾分类与回收系统。
Echo_Wish
2024/08/20
4070
使用Python实现深度学习模型：智能垃圾分类与回收系统
Residual_Networks_v2a
vr 视频解决方案批量计算神经网络
Welcome to the second assignment of this week! You will learn how to build very deep convolutional networks, using Residual Networks (ResNets). In theory, very deep networks can represent very complex functions; but in practice, they are hard to train. Residual Networks, introduced by He et al., allow you to train much deeper networks than were previously practically feasible.
列夫托尔斯昊
2020/08/25
9880
Residual_Networks_v2a
【完结】TensorFlow2.0 快速上手手册
apikeras神经网络tensorflowgithub
import tensorflow as tf a = tf.constant([1,2,3]) b = tf.constant([4,5,6]) print(a+b)
用户1508658
2019/07/25
3.9K0
【完结】TensorFlow2.0 快速上手手册
卷积神经网络 第三周作业：Residual+Networks+-+v1
vr 视频解决方案批量计算神经网络
Welcome to the second assignment of this week! You will learn how to build very deep convolutional networks, using Residual Networks (ResNets). In theory, very deep networks can represent very complex functions; but in practice, they are hard to train. Residual Networks, introduced by He et al., allow you to train much deeper networks than were previously practically feasible.
Steve Wang
2019/05/28
1.2K0
卷积神经网络 第三周作业：Residual+Networks+-+v1
04.卷积神经网络 W2.深度卷积网络：实例探究（作业：Keras教程+ResNets残差网络）
kerashttps网络安全腾讯云测试服务神经网络
Keras 是更高级的框架，对普通模型来说很友好，但是要实现更复杂的模型需要 TensorFlow 等低级的框架
Michael阿明
2021/02/19
7710
“花朵分类“ 手把手搭建【卷积神经网络】
卷积神经网络人工智能深度学习
本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类；
一颗小树x
2021/05/13
2K0
“花朵分类“ 手把手搭建【卷积神经网络】
生成型对抗性网络介绍与实现原理
神经网络
如何无中生有是AI领域研究的重点。原有神经网络大多是对已有问题的识别和研究，例如让神经网络学会识别图片中的动物是猫还是狗，随着研究的进一步深入，目前能够做到让网络不但能识别图片中的物体，还能让它学会如何创造图片中的物体，具备”创造性“让AI技术的应用价值大大提升。
望月从良
2020/02/26
3680
在TensorFlow 2中实现完全卷积网络（FCN）
tensorflowpythonwindowskeras
卷积神经网络（CNN）非常适合计算机视觉任务。使用对大型图像集（如ImageNet，COCO等）进行训练的预训练模型，可以快速使这些体系结构专业化，以适合独特数据集。此过程称为迁移学习。但是有一个陷阱！用于图像分类和对象检测任务的预训练模型通常在固定的输入图像尺寸上训练。这些通常从224x224x3到某个范围变化，512x512x3并且大多数具有1的长宽比，即图像的宽度和高度相等。如果它们不相等，则将图像调整为相等的高度和宽度。
代码医生工作室
2020/01/17
5.3K0
在TensorFlow 2中实现完全卷积网络（FCN）
只能用于文本与图像数据？No！看TabTransformer对结构化业务数据精准建模
编程算法https网络安全tensorflow
自 Transformers 出现以来，基于它的结构已经颠覆了自然语言处理和计算机视觉，带来各种非结构化数据业务场景和任务的巨大效果突破，接着大家把目光转向了结构化业务数据，它是否能在结构化表格数据上同样有惊人的效果表现呢？
ShowMeAI
2022/10/30
8711
只能用于文本与图像数据？No！看TabTransformer对结构化业务数据精准建模
Google全新AI实战课发布：从原理到代码，手把手带你入门机器学习
其他
安妮 岳排槐 发自 凹非寺 量子位 出品 | 公众号 QbitAI 如果你的心里只有一件事。 请问：是不是学习？ Google希望你是，而且还准备扶上马，再送一程。 所以今天一早，大礼包又来了。 手把手教你 今年春天，Google发布了机器学习速成课，英文简称MLCC。而且这套基本全程都有中文的课程，还是完全免费的。 这还不够。 Google觉得光学理论还不够，必须教你理论与实战相结合。 所谓：知行合一。 于是，Google发布了最新的一套课程：
量子位
2018/07/20
7120
自动驾驶汽车的交通标志识别
机器学习深度学习人工智能神经网络https
由于特斯拉等公司在电动汽车自动化方面的努力，无人驾驶汽车正变得非常受欢迎。为了成为5级自动驾驶汽车，这些汽车必须正确识别交通标志并遵守交通规则。在识别出这些交通标志之后，它还应该能够适当地做出正确的决定。
代码医生工作室
2020/02/21
1.5K0
自动驾驶汽车的交通标志识别
迁移学习之快速搭建【卷积神经网络】
人工智能深度学习神经网络卷积神经网络
卷积神经网络 概念认识：https://cloud.tencent.com/developer/article/1822928
一颗小树x
2021/05/14
2K0
迁移学习之快速搭建【卷积神经网络】
resnet18[通俗易懂]
https网络安全腾讯云测试服务kerasjava
从上面这幅图可以看出，在一定的训练迭代中，适合的浅层网络要比深层网络有更低的训练误差和测试误差
全栈程序员站长
2022/09/01
1.6K0
resnet18[通俗易懂]
MOOC TensorFlow入门实操课程代码回顾总结（二）
文件存储
欢迎来到TensorFlow入门实操课程的学习 MOOC TensorFlow入门实操课程代码回顾总结（一） MOOC TensorFlow入门实操课程代码回顾总结（三） 注： 用于表示python代码 粘贴运行结果 目录 5 图像分类基础应用——猫狗分类案例 5.1 导入库 5.2 下载数据集 5.3 查看样本数目 5.4 创建文件夹，存放训练测试数据 5.5 切分为训练数据和测试数据 5.6 模型构建 5.7 数据预处理 5.8 模型训练 5.9 训练结果可视化 5.10 模型推理 6 迁移学
荣仔_最靓的仔
2022/01/05
5530
MOOC TensorFlow入门实操课程代码回顾总结（二）
Build Residual Networks
卷积神经网络人工智能
我们将使用残差网络建立一个很深的卷积神经网络，理论上而言越深的网络可以表示更加复杂的函数，但是训练也更加困难。Residual Networks可以让我们训练更深的网络。
小飞侠xp
2018/08/29
1.1K0
推荐阅读
编辑精选文章
万字详解高可用架构设计Go 开发者必备：Protocol Buffers 入门指南10分钟带你彻底搞懂分布式链路跟踪
相关讨论
windows server 怎么部署小程序？怎么搭小程序环境？图片识别系统？微搭怎么跳转公众号文章？
相关课程
AI驱动的TDSQL-Cserverless实战营C/Python数字化IT从业者知识体系
TensorFlow2.0 实战强化专栏（二）：CIFAR-10项目
1.1K0
爆肝万字，终于搞定这篇⛵神经网络搭建全全全流程！学不会你来找我~
1.4K0
卷积_ResNet
3280
手把手教你使用CNN进行交通标志识别（已开源）
2.9K0
从零开始构建：使用CNN和TensorFlow进行人脸特征检测
1.1K0
使用Python实现深度学习模型：智能垃圾分类与回收系统
4070
Residual_Networks_v2a
9880
【完结】TensorFlow2.0 快速上手手册
3.9K0
卷积神经网络 第三周作业：Residual+Networks+-+v1
1.2K0
04.卷积神经网络 W2.深度卷积网络：实例探究（作业：Keras教程+ResNets残差网络）
7710
“花朵分类“ 手把手搭建【卷积神经网络】
2K0
生成型对抗性网络介绍与实现原理
3680
在TensorFlow 2中实现完全卷积网络（FCN）
5.3K0
只能用于文本与图像数据？No！看TabTransformer对结构化业务数据精准建模
8711
Google全新AI实战课发布：从原理到代码，手把手带你入门机器学习
7120
自动驾驶汽车的交通标志识别
1.5K0
迁移学习之快速搭建【卷积神经网络】
2K0
resnet18[通俗易懂]
1.6K0
MOOC TensorFlow入门实操课程代码回顾总结（二）
5530
Build Residual Networks
1.1K0
相关推荐
TensorFlow2.0 实战强化专栏（二）：CIFAR-10项目
更多 >
ShowMeAI0
LV.0
这个人很懒，什么都没有留下～
文章
250
获赞
1.2K
专栏
1
作者相关精选
换一批
加入讨论
的问答专区 >
派大星的数据屋0
1高级数据分析师擅长5个领域
相关课程
一站式学习中心 >
AI驱动的TDSQL-Cserverless实战营
1413人在学
云原生数据库 TDSQL-C
C/Python
738人在学
c 语言
python
数字化IT从业者知识体系
385人在学
CODING DevOps
软件开发
领券

腾讯云开发者

扫码关注腾讯云开发者

扫码关注腾讯云开发者

领取腾讯云代金券

热门产品

热门推荐

更多推荐

Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

Copyright © 2013 - 2025 Tencent Cloud.

All Rights Reserved. 腾讯云 版权所有

登录 后参与评论
4
1
目录
本文部分代码块支持一键运行，欢迎体验
本文部分代码块支持一键运行，欢迎体验