南极Python

开篇在本系列的前面几期中，我们介绍了包含决策树及其相关算法在内的一系列有监督学习算法。本期不妨换换口味，学习一种比较简单的无监督学习算法： k-means. k-means 算法理论讲解你可能已经听说过这个算法，没有也不要紧，它的原理并不复杂，让我们来看看~ 给你一批样本的数据，就像这样：其中不同的id代表不同样本，共10个样本。x和y是两个特征，每一个样本都有且只有这两个特征。 现在希望你能够对这些样本进行分类。 我们知道，在属于有监督学习的分类问题中，训练数据往往会包含类别标签。而上面这份数据本身是不含标签的，所以这并不是一个分类问题。 既然不知道类别标签，你又让我对这些样本进行分类，那如何聚类？又要聚成几类呢？ 其实，在k-means中，最终聚成几类是由我们自己决定的；这里的类别标签通常用数字表示，如0,1,2等；当我们指定好类别总数后，每一个样本被归到哪一类，就需要聚类算法自己去学习了。 k-means算法学习将相似的样本聚在一起，称为一个类别(也称为一个”簇”)，而将不相似的样本划分到不同的类别(“簇”)中。 这里的相似程度，通常是用样本之间的距离来度量的，比如最常用的欧氏距 ...

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960def interp(code): data=[0 for _ in range(30000)] pc=0 ptr=0 st=[]#list模拟stack while(pc<len(code)): c=code[pc] print("正在处理字符'{}'".format(c)) if c=='<': ptr-=1 elif c=='>': ptr+=1 elif c=='+': data[ptr]+=1 ...

2020年11月25号：配置环境（python3.5），运行prepare_data.py，成功提取训练集数据到imgs文件夹；但在提取测试集时报错，原因是python3.5及其之前的版本中的Path()都不继承自str类，于是手动给路径包裹了str()，成功提取除二进制格式保存的文件分别至单独的文件夹（blp后缀，不知道这是什么，先放着）； 2020年11月26号：运行python train.py失败，从gihub issue了解到作者用了python3.6，于是重新配环境，试错，期间遇到了各种包装不上以及其他问题（发现作者还用了mxnet用于提取数据）； 2020年11月27号：继续配环境，好像是配好了（python3.6），虽然还会报numpy的错误：ModuleNotFoundError: No module named 'numpy.core._multiarray_umath'，但是并不影响模型的训练； 于是开始运行train.py，会报RuntimeError: cuda runtime error (2) : out of memory at / ...

分类 一图一标签 语义分割 像素级分类 那怎么做语义分割呢？ 滑动窗口在一开始，人们想到了滑动窗口 如上图所示，滑动窗口的思路是：对图中的每一个像素点，以该像素点为中心，取一个区域（手动指定窗口大小），对该区域利用卷积神经网络做分类，区域所属类别即为该区域对应像素点的所属类别。 尽管这是完全能用的吧，但由于一张图中的像素点个数有时候会特别多（比如高分辨率图片），此时，采用滑动窗口会带来较大的运算量，所以有了下面的全卷积网络方法。 全卷积使用全卷积做语义分割的思路如下图所示 对于一张输入的图片，使用padding保证在卷积过程中得到特征图尺寸与输入图片尺寸一致，做多次卷积；在最后一次卷积时，使用C个卷积核以保证最后输出的通道数为C，这里的C是全部类别的个数；最后，对于每一个像素点，分别计算该像素点在通道维度上的取值(由于通道数等于类别数等于C，所以此时会有C个值)与标准答案(形式见下面的补充)之间的交叉熵，再把全部像素点计算得到的交叉熵相加，就得到了总的损失，接下来反向回传就可以更新参数，优化模型了。 【补充】这里每一个像素点所属类别的标准答案是一个数，将其做one-hot操作 ...

Why ResNet ? 当神经网络层数变深时，模型性能可能会不增反降。 举个例子，对于某数据集，考虑以下情况： 在测试集上，100层的网络性能低于20层的网络 在训练集上，100层的网络性能低于20层的网络 单单看前者，猜想出现过拟合的可能性较大。因为100层的网络能够拟合更加复杂的函数，对训练集的拟合效果也会更好，但可能导致在测试集上表现并不好（100层网络可能仅仅是记住了训练集的每一个样本的特征及其训练标签，而在面对新的没有见过的样本（比如测试样本）时，就无能为力了）。 然而，再看后者，在训练集上都不达标了，这显然不是过拟合，并且网络越深性能越差，一定是某些其他地方出了问题！ 没错，在100层网络的训练过程中，网络的正、反向信息流动不顺畅，从而导致网络没有充分被训练，这正是上面的例子中现象产生的原因！ **残差网络(ResNet)**的提出解决了这一问题，它通过从当前层（不妨记作Current Layer）直接向经过某个网络块（不妨记作F_Block）后得到的后面的层（不妨记作Layer）之间加一条线，使得Current Layer的信息可以直接传给Layer。这样，即使F ...

导入相关包123456789101112import tensorflow as tfimport tensorflow_addons as tfafrom tensorflow.keras.layers import Dropout, Concatenate,BatchNormalization,LeakyReLU,UpSampling2D, Conv2Dfrom tensorflow.keras.optimizers import Adamimport matplotlib.pyplot as pltimport sysimport osfrom skimage.transform import resizeimport imageiofrom glob import globimport numpy as nptf.keras.backend.set_floatx('float64') 读取数据1234567891011121314151617181920212223242526272829303132333435363738394041424344454 ...

通过采样等方式获取高清图片的低分辨率版本，两者形成一一映射的关系，作为准备好的数据集。 不同于之前的GAN的输入为noise，SRGAN 的输入为低分辨率图片，希望通过对抗的方式学习如何生成低分辨率图片的超清版本。 主要改动的地方除了生成器和判别器的架构外，就是损失函数了：判别器的损失函数无需改动，而生成器的损失函数在原来的基础上，需要再增加两项，一个是真实图片与生成图片的均方误差，另一个是真实图片与生成图片经过vgg19提取得到的特征之间的均方误差（论文中把这两个合起来叫做内容损失，而之前生成器的损失叫做对抗损失，内容损失+对抗损失=感知损失）。 代码导入相关函数1234567import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npfrom tensorflow.keras import layersimport scipy#需要执行 pip install scipy==1.2.1 来给scipy降级from glob import globimport datetime 准备数据12345 ...

导入相关函数12345import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npfrom tensorflow.keras import layersfrom tensorflow.keras.utils import to_categorical 准备数据1(train_images,train_labels),(_,_)=tf.keras.datasets.mnist.load_data() 1train_images.shape (60000, 28, 28) 1train_images.dtype dtype('uint8') 1train_images=train_images.reshape(train_images.shape[0],28,28,1).astype('float32') 1train_images.shape (60000, 28, 28, 1) 1train_images.dtype ...

网络结构ACGAN 可以看作是CGAN和SGAN的融合： 模仿CGAN，将类别标签class也输入生成器 模仿SGAN，判别器不仅仅输出真假，还充当分类器 搭建模型由于ACGAN可以看作是CGAN和SGAN的融合，因此在代码实现上也是综合了两者的代码，主要修改部分为损失函数和两个网络结构，具体见代码注释 ACGAN的损失部分如下： 判别损失： 分类损失： 判别器的损失为$L_C+L_S$，意思是让判别器既能判别图片的真伪，又有不错的分类能力； 生成器的损失为$L_C-L_S$，意思是让判别器不能判别图片的真伪，但还有不错的分类能力。 导入相关函数12345import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as npfrom tensorflow.keras import layersfrom tensorflow.keras.utils import to_categorical 准备数据1(train_images,train_labels),(_,_)=tf.keras.datasets ...

序章起初，我觉得使用Keras的那些API，比如train_on_batch，compile等等，极大的减少了代码量，对刚刚入门的小白来说比较友好。 在开始接触GAN之后，发现一些关于GAN的书籍，比如GANs in action，一些关于GAN的博客，如machinelearningmastery，CSDN以及一些能搜到的视频教程，很多都是用的Keras或者tf.keras 于是我也准备学习用tf.keras来实现各种GAN。 后来，经过一小段时间的学习，虽然也跟着别人的代码写出了几个能跑通的GAN，但总觉得keras的代码怪怪的。 高度封装的API，虽然容易使得小白入门，但同时也使得使用者对其内部的机制还是不怎么了解。比如之前困扰我很久的一个问题，就是关于模型的trainable参数的设置问题，明明已经设置为discriminator.trainable=False了，在后面的train_on_batch时，discriminator还能被训练。最后找到了一个不太确定的答案，详细见这篇文章： https://fx0809.gitee.io/2020/10/12/Keras%E4%B ...