Публикации по теме 'convolutional-network'


Помимо нейронных сетей
В этой статье мы более подробно рассмотрим архитектуры глубокого обучения для компьютерного зрения, обработки естественного языка и обработки звука. Нейронные сети (NN) наделили продукты и услуги машинного обучения сверхспособностями, которые выглядят так, как будто они взяты из научно-фантастического фильма, вам не кажется? Это жизненно важный компонент машинного обучения, который до сих пор используется большинством современных архитектур компьютерного зрения, которые выигрывают..
Сверточные нейронные сети (CNN) и глубокое обучение
Глубокое обучение меняет парадигму традиционного машинного обучения. Узнайте, как работают сверточные нейронные сети. Машинное обучение - это разновидность искусственного интеллекта. Машинное обучение также является разновидностью науки о данных. Точнее, машинное обучение - это пересечение искусственного интеллекта и науки о данных. Глубокое обучение - это разновидность машинного обучения. Согласно упомянутому термину, глубокое обучение изучает наборы данных на более высоком..
Шаблон глубокого обучения PyTorch
Чистый и простой шаблон для старта вашего следующего dl-проекта 🚀🚀 Шаблон находится здесь В этой статье мы представляем вам шаблон глубокого обучения на основе Pytorch. Этот шаблон призван упростить вам начало нового проекта глубокого обучения компьютерного зрения с PyTorch. Основные особенности: модульность: мы разделяем каждую логическую часть на отдельный подмодуль python расширение данных: мы включили imgaug Готово к работе: используя poutyne фреймворк, подобный Keras,..
Ускорение мобильных моделей семантической сегментации
Из-за ограниченных вычислительных ресурсов мобильных телефонов нереально развернуть модель CNN (Float32) с большим размером 100 МБ +. Обычно люди надеются, что их модели могут быть сжаты до менее 10 МБ или даже 1 МБ. Кроме того, задачи семантической сегментации относительно ресурсоемки (обычно требуется выводить маску того же размера, что и ввод). Мы представляем несколько способов оптимизации вашей модели, как показано ниже, особенно при использовании TensorFlow Lite. 1 Профильные..
Обнаружение малярии - от Kaggle до TensorFlow в Google Colab - все в одном месте
Google Colab - отличное место для практики машинного обучения, а Kaggle - одно из лучших мест для получения набора данных. В этой записи блога мы увидим, как легко: Загрузите набор данных из Kaggle прямо в Google Colab Свяжите Google Colab с Диском, чтобы сохранять веса моделей прямо в папку диска. Создайте простой двоичный классификатор, построив небольшую сверточную нейронную сеть в TensorFlow Keras. Используйте класс Image Data Generator из keras для упрощения работы с данными..
PyTorch Lightning и Optuna: оптимизация гиперпараметров для нескольких графических процессоров
Как быстро настроить обучение с использованием нескольких графических процессоров для оптимизации гиперпараметров с помощью PyTorch Lightning Вероятно, большинство людей, читающих этот пост, хотя бы однажды обучили модель машинного обучения, что заняло значительное количество времени. Так было со мной, когда я настраивал RoBERTa для высокоточной классификации текста. Использование графического процессора для обучения может на порядок сократить время обучения, в зависимости от данных..
Dogs vs Cats  — проект по анализу разведывательных данных и машинному обучению
Меня как любителя домашних животных привлекла задача от Kaggle узнать, является ли животное на картинке кошкой или собакой. Задача Собаки против кошек предоставляет набор данных о фотографиях кошек и собак. Затем в этой проблеме распознавания изображений участников просят построить алгоритм для классификации, содержат ли изображения из неклассифицированных тестовых данных собаку или кошку. Хотя эту задачу легко решить человеческими глазами, компьютерам сложно ее классифицировать. В..