我们还提供了 PDF 文件,其中包含本书中使用的屏幕截图/图表的彩色图像。 您可以在此处下载: [https://static.packt-cdn.com/downloads/9781838827069_ColorImages.pdf](https://static.packt-cdn.com/downloads/9781838827069_ColorImages.pdf)。
我们还提供了 PDF 文件,其中包含本书中使用的屏幕截图/图表的彩色图像。 [您可以在此处下载](https://static.packt-cdn.com/downloads/9781838827069_ColorImages.pdf)。
@@ -459,12 +459,12 @@ model = Sequential([Conv2D(96, 11, padding='valid', activation='relu',input_shap
...
@@ -459,12 +459,12 @@ model = Sequential([Conv2D(96, 11, padding='valid', activation='relu',input_shap
接下来,我们编译模型并开始训练。 编译`option`指定三个参数:
接下来,我们编译模型并开始训练。 编译`option`指定三个参数:
***优化器**:我们可以使用的优化器是`adam`,`rmsprop`,`sgd`,`adadelta`,`adagrad`,`adamax`和`nadam`。 有关 Keras 优化器的列表,请参考[https://keras.io/optimizers](https://keras.io/optimizers):
***优化器**:我们可以使用的优化器是`adam`,`rmsprop`,`sgd`,`adadelta`,`adagrad`,`adamax`和`nadam`。 有关 Keras 优化器的列表,请参考[这里](https://keras.io/optimizers):
有许多基于图的分割方法可用,但此处为 R-CNN 描述的一种方法是 Pedro Felzenszwalb 和 Daniel Huttenlocher 在题为*高效基于图的图像分割*的论文中介绍的方法。 可以在[http://people.cs.uchicago.edu/~pff/papers/seg-ijcv.pdf](http://people.cs.uchicago.edu/~pff/papers/seg-ijcv.pdf)上阅读该论文。
有许多基于图的分割方法可用,但此处为 R-CNN 描述的一种方法是 Pedro Felzenszwalb 和 Daniel Huttenlocher 在题为*高效基于图的图像分割*的论文中介绍的方法。 可以在[这个页面](http://people.cs.uchicago.edu/~pff/papers/seg-ijcv.pdf)上阅读该论文。
@@ -586,7 +586,7 @@ for filename in os.listdir(path):
...
@@ -586,7 +586,7 @@ for filename in os.listdir(path):
# 使用 tf.data 使用可视搜索输入管道
# 使用 tf.data 使用可视搜索输入管道
TensorFlow `tf.data` API 是一种高效的数据管道,其处理数据的速度比 Keras 数据输入过程快一个数量级。 它在分布式文件系统中聚合数据并对其进行批处理。 有关更多详细信息,请参阅: [https://www.tensorflow.org/guide/data](https://www.tensorflow.org/guide/data)。
TensorFlow `tf.data` API 是一种高效的数据管道,其处理数据的速度比 Keras 数据输入过程快一个数量级。 它在分布式文件系统中聚合数据并对其进行批处理。 有关更多详细信息,请参阅[这里](https://www.tensorflow.org/guide/data)。
以下屏幕截图显示了`tf.data`与 Keras 图像输入过程的图像上传时间比较:
以下屏幕截图显示了`tf.data`与 Keras 图像输入过程的图像上传时间比较:
...
@@ -602,9 +602,7 @@ TensorFlow `tf.data` API 是一种高效的数据管道,其处理数据的速
...
@@ -602,9 +602,7 @@ TensorFlow `tf.data` API 是一种高效的数据管道,其处理数据的速