tensorflow

验证码识别是搞爬虫实现自动化脚本避不开的一个问题。通常验证码识别程序要么部署在本地，要么部署在服务器端。如果部署在服务器端就需要自己去搭建配置网络环境并编写调用接口，这是一个极其繁琐耗时的过程。 本文来自 Serverless 社区用户「乂乂又又」供稿 但是现在我们通过腾讯云云函数 SCF，就可以快速将本地的验证码识别程序发布上线，极大地提高了开发效率。 效果展示 可以看到，识别效果还是蛮好的，甚至超过了肉眼识别率。 操作步骤 传统的验证码识别流程是 图像预处理（灰化，去噪，切割，二值化，去干扰线等） 验证码字符特征提取（SVM，CNN 等） 验证码识别 下面我就带大家一起来创建、编写并发布上线一个验证识别云函数 第一步：新建 python 云函数 参见系列文章 《万物皆可Serverless之使用 SCF+COS 快速开发全栈应用》 第二步：编写验证识别云函数 Life is short, show me the code. 这里我就以一个最简单的验证码识别程序为例，直接上代码 import io import os import time from PIL import Image as image import json #字符特征 chars = { '1': [1, 1, 1, 0, 1, ...], '2': [1, 0, 0, 1, 0, ...], '3': [0,

简介 SoftMax 函数在深度学习中十分常见，多见于多分类概率问题，通过softmax可以将预测结果映射到0-1且保证概率之和为1。 假设一个数组中包含n个元素，则对应位置k的softmax计算公式如下： Keras Api Tensorflow keras 提供了计算softmax的方法 tf.nn.softmax，可以直接调用： logits = np.random.random((3, 10)) # softMax 前 print("softMax 前") print(logits) # softMax 后 print("softMax 后") print(tf.nn.softmax(logits)) 这里初始化一个 3 x 10 的随机正态分布供后续 softmax 使用，针对每一个 1x10的数组，均使用softmax使其归一化至0-1： softMax 前 [[0.32601273 0.50874893 0.86576573 0.23793323 0.64227146 0.81647401 0.23725476 0.63700227 0.83840016 0.58136121] [0.36389123 0.48618679 0.12991884 0.91359954 0.11360679 0.95020336 0.22756855 0.64274918 0

Win10系统从NVIDIA driver版本匹配开始配置Keras训练环境 由于最近只能使用Windows系统训练神经网络，但是程序总是不调用GPU而拖慢了工作进度，因此踏上了配置环境的不归路，在此记录一下配置环境的真正流程和我遇到过的所有坑，希望对大家有所帮助。 文章目录 Win10系统从NVIDIA driver版本匹配开始配置Keras训练环境 一、确定要安装的TensorFlow-GPU、CUDA、cudnn的版本 二、安装NVIDIA显卡驱动 1.查看显卡驱动版本是否满足CUDA版本的要求 2.更新驱动版本 三、安装CUDA 安装失败解决办法 四、安装cuDNN 环境变量添加方法： 五、安装TensorFlow-gpu 验证tensorflow-gpu是否安装成功： import tensorflow as tf 时报错FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated;....（如下图） 安装numpy1.16时报错：tensorflow 1.14.0 requires google-pasta>=0.1.6, which is not installed.（如下图） 六、在pycharm的python脚本中调用GPU跑神经网络模型