Permalink
bậc thầy
Chuyển nhánh/thẻ
Không thể tải các nhánh
Không có gì để hiển thị
{{refname}}
Tên đã được sử dụng
Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh GIT chấp nhận cả tên thẻ và tên chi nhánh, vì vậy việc tạo nhánh này có thể gây ra hành vi bất ngờ. Bạn có chắc là bạn muốn tạo chi nhánh này?
Đi nộp
- Đi nộp
- Sao chép đường dẫn
- Sao chép permalink
Bruno Goncalves cập nhật SlideKeck updated slidedeck
Cam kết mới nhất B5490C6 ngày 25 tháng 2 năm 2022 b5490c6 Feb 25, 2022
Lịch sử1 người đóng góp contributor
Người dùng đã đóng góp cho tệp này
21,8 MB
Tải xuống
- Mở với máy tính để bàn
- Tải xuống
- Xóa tài liệu
Xin lỗi, có lỗi xảy ra. Tải lại?
Xin lỗi, chúng tôi không thể hiển thị tệp này.
Xin lỗi, tệp này không hợp lệ nên nó không thể được hiển thị.
Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh GIT chấp nhận cả tên thẻ và tên chi nhánh, vì vậy việc tạo nhánh này có thể gây ra hành vi bất ngờ. Bạn có chắc là bạn muốn tạo chi nhánh này?
Kho lưu trữ này bao gồm việc triển khai các mô hình học tập sâu sau từ đầu bằng Python 3 [Numpy]: • Perceptron đa lớp bao gồm các lớp tuyến tính, chuẩn hóa hàng loạt, chức năng mất, kích hoạt khác nhau [MLP.TAR].Deep-Learning-From-Scratch
Sự mô tả
• Cả CNN 1D và 2D bao gồm maxpool và bỏ học [cnn.tar, hw2_numpy.py].
• Vanilla rnn, gru, tìm kiếm tham lam và tìm kiếm chùm tia [rnns.tar]
Lưu ý: Dự án này là một phần của HomeWorks của tôi. Sinh viên CMU hiện tại xin vui lòng không thông qua các mã.
Permalink
Không thể lấy lại những người đóng góp tại thời điểm này
Tệp này chứa văn bản unicode hai chiều có thể được giải thích hoặc biên dịch khác với những gì xuất hiện dưới đây. Để xem xét, hãy mở tệp trong một trình soạn thảo cho thấy các ký tự Unicode ẩn. Tìm hiểu thêm về các ký tự unicode hai chiều
"" " | |
Thực hiện đơn giản của grad-cam [//arxiv.org/pdf/1610.02391.pdf] | |
"" " | |
Nhập khẩu numpy as np | |
Frompilimportimage PIL import Image | |
importcv2 cv2 | |
Nhập khẩudezero dezero | |
importdezero.functionsasF dezero.functions as F | |
fromdezero.modelsimportVGG16 dezero.models import VGG16 | |
url='//github.com/oreilly-japan/deep-learning-from-scratch-3/raw/images/zebra.jpg' = '//github.com/oreilly-japan/deep-learning-from-scratch-3/raw/images/zebra.jpg' | |
img_path = dezero.utils.get_file [url] = dezero.utils.get_file[url] | |
img = Image.open [IMG_PATH] = Image.open[img_path] | |
img_size=img.size = img.size | |
model = vgg16 [presprained = true] = VGG16[pretrained=True] | |
x = vgg16.preprocess [IMG] [np.newaxis] # tiền xử lý cho vgg = VGG16.preprocess[img][np.newaxis] # preprocess for VGG | |
y = model [x] = model[x] | |
last_conv_output = model.conv5_3.outputs [0] [] = model.conv5_3.outputs[0][] | |
dự đoán_id = np.argmax [y.data] = np.argmax[y.data] | |
dự đoán_output = y [0, dự đoán_id] = y[0, predict_id] | |
dự đoán_output.backward [retain_grad = true].backward[retain_grad=True] | |
grads=last_conv_output.grad = last_conv_output.grad | |
gộp_grads = f.average [grads, axis = [0, 2, 3]] = F.average[grads, axis=[0, 2, 3]] | |
HeatMap = last_conv_output.data [0] = last_conv_output.data[0] | |
Forcinrange [HeatMap.Shape [0]]: c in range[heatmap.shape[0]]: | |
HeatMap [c] *= gộp_grads [c] .data[c] *= pooled_grads[c].data | |
HeatMap = NP.Mean [HeatMap, Axis = 0] = np.mean[heatmap, axis=0] | |
HeatMap = NP.Maximum [HeatMap, 0] = np.maximum[heatmap, 0] | |
HeatMap/= np.max [bản đồ nhiệt] /= np.max[heatmap] | |
# trực quan hóa bản đồ nhiệt trên hình ảnh | |
IMG = CV2.IMREAD [IMG_PATH] = cv2.imread[img_path] | |
HeatMap = CV2.Resize [HeatMap, [Img.Shape [1], Img.Shape [0]]]] = cv2.resize[heatmap, [img.shape[1], img.shape[0]]] | |
HeatMap = np.uint8 [255*HeatMap] = np.uint8[255 * heatmap] | |
HeatMap = CV2.ApplyColormap [HeatMap, CV2.colormap_jet] = cv2.applyColorMap[heatmap, cv2.COLORMAP_JET] | |
heatmap_on_img=heatmap*0.4+img = heatmap * 0.4 + img | |
cv2.imwrite ['grad_cam.png', HeatMap_on_img].imwrite['grad_cam.png', heatmap_on_img] |