2024年09月29日
今年 1 月 12 日，Keras 作者 Fran?ois Chollet? 在推特上表示因为中文读者的广泛关注，他已经在 GitHub 上展开了一个 Keras 中文文档项目。而昨日，Fran?ois Chollet? 再一次在推特上表示 Keras 官方文档已经基本完成！他非常感谢翻译和校对人员两个多月的不懈努力，也希望 Keras 中文使用者能继续帮助提升文档质量。
这一次发布的是 Keras 官方中文文档，它得到了严谨的校对而提升了整体质量。但该项目还在进行中，虽然目前已经上线了很多 API 文档和使用教程，但仍然有一部分内容没有完成。其实早在官方中文文档出现以前，就有开发者构建了 Keras 的中文文档，而且很多读者都在使用 MoyanZitto 等人构建的中文文档。
2024年09月29日
凡事预则立，不预则废，训练机器学习模型也是如此。数据清洗和预处理是模型训练之前的必要过程，否则模型可能就「废」了。本文是一个初学者指南，将带你领略如何在任意的数据集上，针对任意一个机器学习模型，完成数据预处理工作。
数据预处理是建立机器学习模型的第一步（也很可能是最重要的一步），对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效——就是这么简单。
2024年09月29日
作者 | beyond_LH
责编 | 胡雪蕊
出品 | CSDN博客
对于“XOR”大家应该都不陌生，我们在各种课程中都会遇到，它是一个数学逻辑运算符号，在计算机中表示为“XOR”，在数学中表示为“”，学名为“异或”，其来源细节就不详细表明了，说白了就是两个a、b两个值做异或运算，若a=b则结果为0，反之为1，即“相同为0，不同为1”。
在计算机早期发展中，逻辑运算广泛应用于电子管中，这一点如果大家学习过微机原理应该会比较熟悉，那么在神经网络中如何实现它呢，早先我们使用的是感知机，可理解为单层神经网络，只有输入层和输出层（在吴恩达老师的系列教程中曾提到过这一点，关于神经网络的层数，至今仍有异议，就是说神经网络的层数到底包不包括输入层，现今多数认定是不包括的，我们常说的N层神经网络指的是隐藏层+输出层），但是感知机是无法实现XOR运算的，简单来说就是XOR是线性不可分的，由于感知机是有输入输出层，无法线性划分XOR区域，于是后来就有了使用多层神经网络来解决这一问题的想法～～
2024年09月29日
欲乎其上 得乎其中 欲乎其中 得乎其下
在实际生产环境中，一般将模型训练和模型使用分离开，先从一套环境中训练好模型，再导出到另一套环境中使用。模型训练是参数不断更新收敛过程，是数据密集型和计算密集型过程，数据量大、计算能力要求高、训练时间长。模型应用不涉及参数不断更新收敛过程，对计算能力要求减弱、输入实际数据、可以快速出结果，可以跑在DC服务器集群中，也可以跑在手机上。
一、模型保存
2024年09月29日
Keras是一个很好的库，可以使用深度学习模型。它具有易于训练的最先进模型和友好的编程接口，可实现和定制具有灵活后端选择的层（Tensorflow，Theano，CNTK）。Tensorflow还实现了Keras接口tf.keras，它具有相同的功能，但具有不同的代码库（由Google支持），并且更有可能在未来更好地集成到tensorflow中。
一旦模型针对给定任务进行了预训练，就可以使用基于tensorflow服务的ML引擎轻松地为预测和在线学习进行分布式和版本化控制，该引擎提供了一种全面集成的方法来扩展机器学习模型。它支持Tensorflow，scikitlearn或xgboost模型，并提供可扩展的批处理和在线预测API，而无需担心基础架构，部署或资源使用情况。这样可以大大加快从模型化到生产阶段的时间，并迭代机器学习（ML）模型。
2024年09月29日
先讲一下Tensorflow模型的组成，如果是通过tf.train.Saver()保存的模型，那么会生成3种文件：
下面看下训练代码：
代码很简单，先定义两个Tensor的变量w1和w2，b1是一个常量2，然后定义一个字典，其中w1是4，w2是8。接着定义op，op指的是Tensorflow计算符，tf.add将w1和w2相加，然后通过tf.multiply将w1和w2相加的结果乘以2。接着生成全局的参数tf.global_variables_intitializer()，就是初始化参数，取第1000次的checkpoint把模型保存为my_test_model。这个代码的意思是输入w1和w2，然后模型会返回（w1+w2）*b1的结果，b1是常量，等于2。
2024年09月29日
人脸识别在现实生活中有非常广泛的应用，例如iPhone X的识别人脸解锁屏幕、人脸识别考勤机、人脸识别开门禁、刷脸坐高铁，还有识别人脸虚拟化妆、美颜，甚至支付宝还推出了刷脸支付、建设银行还实现了刷脸取钱……，可见人脸识别的用处非常广。
既然人脸识别这么有用，那我们能否自己来实现一个人脸识别模型呢？
答案是肯定的。
接下来将在之前我们搭建好的AI基础环境上（见文章：搭建AI基础环境），实现人脸识别模型。
0、人脸识别主要流程
2024年09月29日
TensorFlow是一个由Google开发的开源机器学习框架，广泛用于数据流图的创建、训练和推理。它特别适合于深度学习模型的构建和部署。
2024年09月29日
本期我们将展示一种对路面类型和质量进行分类的方法及其步骤。为了测试这种方法，我们使用了我们制作的RTK数据集。
路面分类
该数据集[1]包含用低成本相机拍摄的图像，以及新兴国家常见的场景，其中包含未铺砌的道路和坑洼。路面类型是有关人或自动驾驶车辆应如何驾驶的重要信息。除了乘客舒适度和车辆维护以外，它还涉及每个人的安全。我们可以通过[2]中的简单卷积神经网络（CNN）结构来实现。
2024年09月29日
当我们拿到别人训练后保存的模型文件后，如果需要通过C++接口部署模型的话，一般情况下都需要将模型固化并保存为pb格式。Tensorflow提供了相关的固化命令脚本，下面以 .meta 格式的固化为例说明使用的方式。