Nolearn.Lasagne的实用程序
nolearn-utils的Python项目详细描述
#无收益效用
[！[构建状态]（https://travis-ci.org/felixlaumon/nolearn_utils.svg？分支（主）]（HTTPS：特拉维斯），用于编写有效的实时图像增强和训练进度监控的迭代器和处理程序。将图像文件路径转换为彩色或灰色图像，并以指定的图像大小< RandomFlipBatchIteratorMixin >随机地（均匀地）将图像水平翻转，或使用“仿射变换”（缩放、旋转），从给定的转换选项——“BuffRead BATCHATIORATIONIN”中随机选择图像，以在另一个线程中自动执行转换，并将结果放入缓冲区（默认大小＝5）
-'LCNBATCHATIORATIONIN ]以执行对图像的局部对比度归一化：BR/> -“MealSuffTrpToChutialCuffin”以减去。预计算的样本平均值
BR/>使用迭代器的例子如下：
BR/> TrimeRealTraceMixin＝[BR/> SuffLeButChutialMaxin，
ReaDimeAdQueChutialMixin，
RandomFlipBatchIteratorMixin，
AffyTrimeButChutialMin，
BufferedBatchIteratorMixin，
RealIdActudie= MaqyTyror（“TrimeItter”，TraveIdActualSuxMixin）
TrimeIdActudioKrgs= {Br/>“BuffelySosits”：5，Br/> 'BaqChySosi'：ButChy大小，
'Read IimeIZEsig '：（IMABE/SIGRIVE，IMAGEIGEIZE），
'Read IMAIGEIAASGRY ':FALSE，
'Read IVixePiFixPixPix'：'/数据/Studio/'，
“水平翻转”：0.5，
“垂直翻转”：0，
“仿射”：0.5，
“仿射缩放”：np.linspace（0.75，1.25，5），
“仿射平移”：np.arange（-3，4，1），
“仿射旋转”：np.arange（-45，50，5）
}
train_iterator=train iterator（**train_iterator_kwargs）
basebatchiterator也从nolearn.lasagne修改为每次迭代的训练过程提供进度条
随时间变化的参数（例如学习率）
-`save training history`用于保存培训历史（例如培训损失）
-`plottraininghistory`用于在每次使用matplotlib迭代后绘制培训损失和验证精度
###mnist
`example/mnist/train.py`应在不到50个历元的情况下生成精度约为99.5%的模型。
cifar10图像可从[kaggle]下载（https://www.kaggle.com/c/cifar-10/data）。按如下方式放置下载的数据：
examples/cifar10
train.py
`example/cifat10/train.py`应在100历元时以大约85%的精度生成模型。从磁盘读取图像，并在训练时进行增强（从另一线程）
[！[构建状态]（https://travis-ci.org/felixlaumon/nolearn_utils.svg？分支（主）]（HTTPS：特拉维斯），用于编写有效的实时图像增强和训练进度监控的迭代器和处理程序。将图像文件路径转换为彩色或灰色图像，并以指定的图像大小< RandomFlipBatchIteratorMixin >随机地（均匀地）将图像水平翻转，或使用“仿射变换”（缩放、旋转），从给定的转换选项——“BuffRead BATCHATIORATIONIN”中随机选择图像，以在另一个线程中自动执行转换，并将结果放入缓冲区（默认大小＝5）
-'LCNBATCHATIORATIONIN ]以执行对图像的局部对比度归一化：BR/> -“MealSuffTrpToChutialCuffin”以减去。预计算的样本平均值
BR/>使用迭代器的例子如下：
BR/> TrimeRealTraceMixin＝[BR/> SuffLeButChutialMaxin，
ReaDimeAdQueChutialMixin，
RandomFlipBatchIteratorMixin，
AffyTrimeButChutialMin，
BufferedBatchIteratorMixin，
RealIdActudie= MaqyTyror（“TrimeItter”，TraveIdActualSuxMixin）
TrimeIdActudioKrgs= {Br/>“BuffelySosits”：5，Br/> 'BaqChySosi'：ButChy大小，
'Read IimeIZEsig '：（IMABE/SIGRIVE，IMAGEIGEIZE），
'Read IMAIGEIAASGRY ':FALSE，
'Read IVixePiFixPixPix'：'/数据/Studio/'，
“水平翻转”：0.5，
“垂直翻转”：0，
“仿射”：0.5，
“仿射缩放”：np.linspace（0.75，1.25，5），
“仿射平移”：np.arange（-3，4，1），
“仿射旋转”：np.arange（-45，50，5）
}
train_iterator=train iterator（**train_iterator_kwargs）
basebatchiterator也从nolearn.lasagne修改为每次迭代的训练过程提供进度条
随时间变化的参数（例如学习率）
-`save training history`用于保存培训历史（例如培训损失）
-`plottraininghistory`用于在每次使用matplotlib迭代后绘制培训损失和验证精度
###mnist
`example/mnist/train.py`应在不到50个历元的情况下生成精度约为99.5%的模型。
cifar10图像可从[kaggle]下载（https://www.kaggle.com/c/cifar-10/data）。按如下方式放置下载的数据：
examples/cifar10
train.py
`example/cifat10/train.py`应在100历元时以大约85%的精度生成模型。从磁盘读取图像，并在训练时进行增强（从另一线程）
欢迎加入QQ群-->： 979659372
