目录😺一、数据集获取😺二、定义AlexNet😺三、编译并训练😺四、测试模型😺五、预测结果可视化😺六、建立混淆矩阵😺附录：完整程序之前我们用AlexNet进行了手写数字的识别，今天带来对cifar10数据集的分类！文末附完整程序！😺一、数据集获取"""数据集获取"""def get_cifar10_d.

目录😺一、引言😺二、腐蚀（erosion）🐶2.1 什么是腐蚀🐶2.2 程序编写及结果可视化😺三、膨胀（erosion）🐶3.1 什么是膨胀🐶3.2 程序编写及结果可视化😺一、引言形态学（morphology）通常表示生物学的一个分支，该分支主要研究动植物的形态核结构。我们使用同一词语表示数学形态学的内容，.

目录😺一、引言😺二、开运算🐶2.1 什么是开运算🐶2.2 程序编写及结果可视化😺三、闭运算🐶3.1 什么是闭运算🐶3.2 程序编写及结果可视化😺一、引言在【OpenCV-Python】：形态学操作之腐蚀与膨胀中介绍了形态学处理的两个基本操作：腐蚀与膨胀，本节带来基于这两个基本操作的其他形态学处理——开运算和闭运算。😺二、开运算.

目录😺一、数据集获取😺二、定义LeNet-5😺三、编译并训练😺四、测试模型😺五、预测结果可视化😺六、建立混淆矩阵😺附录：完整程序当我们学习了LeNet-5网络和MNIST数据集之后，就要将经典网络用于实战中了！文末附完整程序！😺一、数据集获取"""数据集获取"""def get_mnist_dat.

😺一、高斯噪声高斯噪声指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。## 🐶1.1 API添加### 🦄1.1.1 函数API我们需要使用`skimage`库中的函数为图像添加高斯噪声。函数式：`skimage.util.random_noise(image, mode=‘gaussian’, seed=None, clip=True, **kwargs)`参数介绍：```python函数式：skimage.util.random_noise(image, mode=

一、简述在[【深度学习经典网络架构—8】：注意力机制之SE_Block](https://blog.csdn.net/qq_42856191/article/details/123655146?spm=1001.2014.3001.5501)中，我们介绍了CNN的通道注意力模块SE_Block，本次带来的是另一个即用即插的注意力模块CBAM。论文链接：[CBAM: Convolutional Block Attention Module](https://arxiv.org/pdf/1807.0652

一、简述在学术界，大多围绕着如何提高视觉任务的SOTA进行研究，但在工业界，一个良好的模型如何移植到计算能力不足的移动设备上才是重点考虑的问题。ShuffleNet是由旷视研究院于2018年发表在CVPR上的一篇文章。AI四小龙之一的旷视，多次在顶级会议（如CVPR、ECCV、ICCV）上发表文章。ShuffleNet的第一作者 Xiangyu Zhang 张祥雨 也是里程碑式神经网络ResNet的作者！在ShuffleNet中，作者使用了两个操作，分别是==逐点组卷积（pointwise gro

😺一、引言类似于人脑的注意力感知，那卷积神经网络能否也能产生注意力效果呢？答案是：**可以！****SE_Block是SENet的子结构**，作者将SE_Block用于ResNeXt中，并在ILSVRC 2017大赛中拿到了分类任务的第一名，在ImageNet数据集上将top-5 error降低到2.251%，比2016年的最好成绩提高了约25%。论文链接：[Squeeze-and-Excitation Networks](https://arxiv.org/abs/1709.01507)开源

😺一、简述自从AlexNet赢得ImageNet挑战赛：ILSVRC 2012以来，卷积神经网络已成为计算机视觉中的普遍应用。总体趋势是制作更深、更复杂的网络，以实现更高的准确度。然而，这些提高准确性的进步并不一定会使网络在规模和速度方面更有效率。在机器人、汽车自动驾驶和增强现实等许多现实世界的应用中，识别任务需要在计算受限的平台上及时执行。谷歌提出MobileNet的目的就是**构造一个可以在移动端和嵌入式端应用深度学习的网络，使得在CPU上也能达到理想的速度要求。**MobileNet V1

话不多说，直接看代码！import cv2cap = cv2.VideoCapture(0)while(True): ret, frame = cap.read() cv2.imshow('frame', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release()cv2.destroyAllWindows()贴一张博主用代码得到的视频截图吧！🎃（浅浅的做了

本来想着多更新一些关于深度学习的文章，但这方面知识专业度很高，如果作者本身都掌握不好，又怎么能写出好文章分享呢？  距离第一篇关于深度学习的文章：深度学习笔记1——激活函数，已经过去了9个多月，在沉淀了9个月后，这次写出了第二篇关于深度学习的文章，而且出于快速上手代码编写的目的，这次直接进行手写数字识别的实战，且看下文：一、准备工作设备\库型号\版本显卡GTX1650驱动程序版本457.49tensorflow-gpu版本2.4.0keras版本2.4

直方图  直方图是进行图像处理过程中的一种非常重要的工具。它是从图像内部灰度级的角度对图像进行表述。  直方图统计的是图像内各个灰度级出现的次数。直方图的绘制1.使用pyplot绘制直方图  使用函数：matplotlib.pyplot.hist(X, BINS)X 和 BINS 的参数如下：  X：数据源，必须是一维的。对于通常的二维图像来说，需要使用ravel()函数将图像处理为一维数据源。  BINS：表示灰度级的分组情况。  函数ravel()的作用是将二维数组降维成一维数组，举例

需要源码和原理图及其他资料请自行下载：智能交通灯一、引言  当前，大量的信号灯电路正向着数字化、小功率、多样化、方便人、车、路三者关系的协调，多值化方向发展随着社会经济的发展，城市交通问题越来越引起人们的关注。人、车、路三者关系的协调，已成为交通管理部门需要解决的重要问题之一。  现代的电子技术高速发展，产生了一大批先进的电子类产品。尤其是单片机的发展异常迅速。由于单片机的特殊结构形式，在某些应用领域中，它承担了一些通用的微型计算机无法完成的工作，它是一种高性能，低价格的处理器。集成度高，体积小，可

色彩空间类型转换：它是将图像从一个色彩空间转换到另外一个色彩空间，每个色彩空间都有自己擅长的处理问题的领域。通道的拆分与合并在RGB色彩空间中，图像通道的顺序是R→G→B，即第一个通道是R通道，第2个通道是G通道，第3个通道是B通道。注：在OpenCV中，通道顺序是B→G→R。接下来我们考虑如何将3个通道进行拆分并单独显示其中一个通道的图像，这里给出两种拆分方式：1. 通过索引拆分我们使用...

想必对于深度学习或多或少学过的童鞋们一定知道激活函数，本文就详细介绍以下为什么深度学习模型需要激活函数，激活函数的种类都有哪些，我们又该如何正确选择激活函数。∗∗本文很重要∗∗**本文很重要**∗∗本文很重要∗∗...

话不多说，直接看代码！import osimport cv2def read_path(file_pathname): for filename in os.listdir(file_pathname): filename = filename img = cv2.imread(file_pathname+'/'+filename) cv2.imwrite("Destination_folder" + "/" + filename, img)

话不多说，直接看代码！import osimport matplotlib.pyplot as plttrain_dir = os.path.join("E:\\CelebA\\Img\\64normal")train_image_names = os.listdir(train_dir)print(train_image_names)for i in range(0, len(train_image_names)): im = plt.imread(train_dir +"/" +

话不多说，直接看代码！import cv2import osimport numpy as npdef read_path(file_pathname): for filename in os.listdir(file_pathname): # 遍历文件夹内的所有图片 print(filename) # 打印图片名称 a = 44