Публикации по теме 'mnist'


Условный GANS (cGAN) для набора данных MNIST
Ганс расшифровывается как генеративно-состязательные сети. Это модель глубокого обучения, состоящая из двух нейронных сетей: генератора и дискриминатора. Генератор создает новые выборки данных, а дискриминатор пытается отличить сгенерированные выборки от реальных примеров. Две сети обучаются одновременно: генератор пытается создать выборки, которые могут обмануть дискриминатор, а дискриминатор пытается правильно идентифицировать сгенерированные выборки. GAN использовались для..
Основные этапы машинного обучения
В своей влиятельной статье [1] пионер машинного обучения Артур Сэмюэл дал следующее описание «обучающейся» машины, которое мы объясним позже: «Предположим, мы организуем некоторые автоматические средства проверки эффективности любого текущего присвоения веса с точки зрения фактической производительности и обеспечиваем механизм для изменения назначения веса так, чтобы максимизировать производительность . Нам не нужно вдаваться в подробности такой процедуры, чтобы увидеть, что ее..
Разработка простой CNN для MNIST
Набор данных «MNIST» представляет собой рукописную задачу цифровой классификации, которая обычно используется в глубоком обучении. Он состоит из 60 000 значений от 0 до 9 (включительно), представленных на сетке градаций серого размером 28x28 пикселей. Эти значения «написаны от руки», что означает, что они не выглядят идеально. В этом пошаговом руководстве я разработаю простую сверточную нейронную сеть для набора данных MNIST с целью достижения точности более 99%. Это будет..
API более высокого уровня в TensorFlow
Как использовать оценщик, эксперимент и набор данных для обучения моделей TensorFlow имеет множество библиотек, таких как Keras , TFLearn и Sonnet , которые упрощают обучение моделей, а не использование функций нижнего уровня. В то время как API Keras внедряется напрямую в TensorFlow, TensorFlow сам предоставляет некоторые конструкции более высокого уровня, а некоторые новые были введены в последней версии 1.3. ( Щелкните здесь, чтобы увидеть сообщение о том, как API..
Последовательная модель для набора данных MNIST с использованием TensorFlow
В этом посте будут описаны шаги по созданию простой сверточной нейронной сети с использованием TensorFlow. Набор данных MNIST — это «Hello World» для компьютерного зрения и отличный старт для сверточных нейронных сетей. Есть много разных архитектур для решения этой проблемы, однако я хотел показать, используя эту конкретную методологию. Есть предположение, что человек, читающий это, понимает основы нейронных сетей, CNN (сверточных нейронных сетей), TensorFlow и Python. Чтобы просмотреть..
Изучение эффективной архитектуры нейронной сети с использованием подсетей
Демонстрация того, как маленькие сети могут решать большие проблемы. Справочная информация: обзор MNIST и обучающих данных Давайте начнем с рассмотрения элементарного упражнения по машинному обучению: обучения нейронной сети распознавать рукописные цифры из набора данных MNIST. Вместо использования отраслевого стандарта Python в приведенных здесь примерах используется Javascript, работающий на NodeJS. Это сделано для того, чтобы каждый мог легко настроить, запустить и..
MNIST: золотой стандарт распознавания рукописных цифр
Введение Набор данных MNIST представляет собой набор из 70 000 рукописных цифр, широко используемых в исследованиях машинного обучения. Он считается золотым стандартом распознавания рукописных цифр, и почти все алгоритмы распознавания рукописных цифр были протестированы на нем. В этом сообщении блога будет рассмотрен набор данных MNIST и почему он является золотым стандартом для распознавания рукописных цифр. Набор данных состоит из 60 000 обучающих изображений и 10 000 тестовых..