近期在做项目的过程中发现明明指定了gpu去进行训练，但是训练的时候发现仍然是使用的cpu，于是进行了一系列的探索，基本上该踩的坑也都踩到了，希望能帮到大家明明nvidia-smi是有gpu的啊，肿么回事！？ps -ef | grep 用户名ll /proc/pid根本找不到gpu上的进程号！一、首先，查看自己的服务器上tensorflow安装的是不是gpu版本，是不是能够看到g...

最近在学习图像分割的方法，所以对区域生长与区域分离与合并的图像分割方法进行一下总结。首先说一下两者的不同。区域生长是根据预先定义的生长准则来把像素或子区域集合成较大区域的处理方法。区域生长是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的。区域分离与合

单层前馈神经网络（SLFN）以其良好的学习能力在许多领域得到了广泛的应用，然而传统的学习算法，如BP等固有的一些缺点，成为制约其发展的主要瓶颈，前馈神经网络大多采用梯度下降法，该方法存在以下几个方面的缺点和不足：1、训练速度慢。由于梯度下降法需要多次迭代，从而达到修正权值和阈值的目的，因此训练过程耗时较长；2、容易陷入局部极小值，无法到达全局最小；3、学习率yita的选择敏感，学习率对

K邻近算法 KNN算法的决策过程　　k-Nearest Neighbor algorithm 　　右图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。　　K最近邻(k-Nearest Neighbor，KNN

首先要来了解的一个概念就是聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在

参考了很多优秀博主的文章，这属于一个汇总吧参考文章：（还有很多，在后面的连接里）Lookalike的几种实现方式 | GA小站计算广告中的lookalike是如何实现的？ - 简书1、什么是lookalikelookalike算法是计算广告中的术语，不是单指某一种算法，而是一类方法的统称。其目的是基于目标人群，从海量的人群中找出和目标人群相似的其他人群，实现人群包扩充。比如：广告主需要对100w人

tensorflow中ckpt模型转成pb模型的代码：参考链接https://blog.csdn.net/dulingtingzi/article/details/90790282但是为了使大家更容易明白，因为有些变量需要统一，这里针对下面的使用pb模型进行预估的代码，粘贴一下ckpt转pb模型：import tensorflow as tfimport osfrom tensorf...

笔者做一个四分类的模型，发现了一个非常有意思的问题，就是训练好的densenet的h5模型只有1.3M的参数量，而resnet50的参数量有271M之多，但是训练的速度竟然是densenet更慢，笔者很迷惑，所以就查找了一些资料并对网络结构进行分析，做一下记录，供大家参考。首先我查找了一些资料，进行分析，毕竟要先知道网络速度的快慢和啥有关对吧，参考如下博客，https://blog...

        这篇文章转载自：https://blog.csdn.net/u014380165/article/details/75142664和https://blog.csdn.net/zchang81/article/details/76155291，文章下面的评论也非常好，建议大家去看作者原来的博客，我这里只是做一个转录。论文：Densely Connected Convolutiona

由http://blog.sina.com.cn/s/blog_5c9288aa0101gsu2.html转载1 一般参数.perFrom*.perFromFcn='sse';                         % 性能函数，这里设置为‘sse’，即误差平方和2 训练参数.trainParam.*.trainParam.goal=0