對於生成的新增label，並儲存成pkl格式
在這裡只選擇兩張進行舉例。
import numpy as np
from pil import image
import pickle
import matplotlib.pyplot as plt
%matplotlib inline
)
# 顯示
plt.imshow(img_640)
img_640_n = np.array(img_640)
img_910_n = np.array(img_910)
type
(img_640_n)
# 建立乙個空list，用於儲存影象資料因為是兩張說以建立2個(480, 640, 3)的矩陣。
image_data =
# 把資料存放進來# 新增標籤，假設這兩張是兩個類別，把他們標註為型別1和2
image_data_label = np.empty(2)
image_data_label[0]
=1image_data_label[1]
=2
# 把標籤的型別轉換成int型別,為了方便出來也把data轉換成numpy.ndarray型別
把資料儲存到pkl檔案中
# 把資料合併成乙個元組進行儲存
train_data =
(image_data,image_data_label)
# 把資料寫入pkl檔案中
write_file=
open
('./input/train_data.pkl'
,'wb'
) pickle.dump(train_data,write_file)
write_file.close(
)
讀取標籤和資料
# 從pkl檔案中讀取資料和標籤
read_file=
open
('./input/train_data.pkl'
,'rb'
)(train_data,lab_data)
=pickle.load(read_file)
read_file.close(
)
# 檢視讀取出來的資料
到這裡就完成了把加標籤後儲存與讀取，為後續神經網路資料的輸入做準備，當我們需要資料的時候，把pkl檔案載入進來就可以。
深度學習框架caffe訓練過程
1.資料準備 2.生成訓練資料和測試資料的label，生成 3.生成訓練資料和測試資料對應的lmdb build tools convert imageset shuffle true backend lmdb data cigarettetrain20170413 data cigarettetr...
自行準備深度學習訓練資料
深度學習的模型訓練中，資料的收集十分重要，取得足夠的資料集對於最終模型的表現有十分重要的意義。但是開源的資料集都指定了特定的目標進行標註，如行人，車輛。當要訓練自己所需要的特定檢測模型，卻又沒有開源資料集的時候，就需要自己去收集和標註影象資料用於訓練了。先輸入下面兩行指令，按序號為所有檔案命名，而且...
的訓練過程 高階 深度學習訓練過程視覺化
給機器學習演算法與python學習加星標，提公升ai技能 編輯丨極市平台 機器學習實驗室 datawhale 深度學習訓練過程一直處於黑匣子狀態，有很多同學問我具體怎麼解釋？其實很多還是無法可解釋，但是通過視覺化，具體可以知道深度學習在訓練過程到底學習了哪些特徵？到底對該目標的哪些特徵感興趣？這些我...