Публикации по теме 'mnist'
Управление размерами с использованием автоэнкодера в Pytorch на наборе данных MNIST
Давайте учимся, соединяя теорию с кодом!
Согласно Книге глубокого обучения , автокодировщик - это нейронная сеть, которая обучена копировать свои входные данные в выходные. Внутри у него есть скрытый слой, который описывает код, используемый для представления ввода. Сеть можно рассматривать как состоящую из двух частей: кодирующей функции h = f (x) и декодера, который производит реконструкцию r = g (h) .
Хорошо, хорошо, я знаю, о чем вы думаете! Просто еще один пост без..
Реализация сверточной нейронной сети с использованием Keras
В этой статье мы увидим реализацию сверточной нейронной сети (CNN) с использованием Keras на наборе данных MNIST, а затем сравним результаты с обычной нейронной сетью. Настоятельно рекомендуется сначала прочитать сообщение Сверточная нейронная сеть - в двух словах , прежде чем переходить к реализации CNN, чтобы развить интуицию в отношении CNN.
1. Введение
Набор данных MNIST чаще всего используется для изучения классификации изображений. База данных MNIST содержит изображения..
Скрытая пространственная интерполяция изображений с использованием Keras и Tensorflow.js
Создайте автоматический кодировщик для набора данных MNIST с помощью Keras и разверните его в веб-браузере с помощью Tensorflow.js
Автоэнкодеры показали себя как мощные инструменты обучения без учителя.
Цель автоэнкодера - изучить представление (кодирование) набора данных, обычно для уменьшения размерности, путем обучения сети игнорировать сигнал шум - Википедия
Автокодировщики продемонстрировали свою полезность при уменьшении размерности, кластеризации, обнаружении аномалий и..
Красивая визуальная интерпретация модели стратегии классификации - Каннада MNIST Digits…
подзаголовок здесь
Набор данных Kannada MNIST - отличная недавняя работа ( подробности здесь ), и я рад, что он также стал общедоступным. Я уверен, что очень скоро сообщество здесь опубликует современные цифры точности в этом наборе данных. Вот почему я делаю что-то другое.
Вместо этого мы попытаемся визуализировать, попытаться увидеть то, что видит модель, оценивать вещи попиксельно. Наша цель - интерпретируемость. В этой статье я начну с «простейшего», самого легкого для..
Начало работы с глубоким обучением с использованием CNN
Реализация «Hello World!» сверточных нейронных сетей
Большая часть прогресса, достигнутого в области глубокого обучения за последние годы, связана с концепцией сверточных нейронных сетей или CNN. Эти сети стали де-факто стандартом во всех, кроме самых тривиальных, задачах обработки изображений. Основные концепции CNN берут начало с 1980-х годов, первое приложение для распознавания изображений было опубликовано в 1989 году . Как и многие другие темы в области глубокого обучения,..
Генеративные состязательные сети в 100 строках кода
В своем предыдущем посте я реализовал статью Автокодирование вариационного байеса для генерации изображений человеческих лиц. В этом посте мы продолжим изучать генеративные модели и сосредоточимся на генеративных состязательных сетях .
Мы реализуем знаменитую статью о Generative Adversarial Networks примерно в 100 строках кода.
Генеративные состязательные сети Мы предлагаем новую структуру для оценки генеративных моделей через состязательный процесс, в..
Считывание показаний цифрового счетчика с использованием CV и ML
Некоторые из устаревших цифровых или аналоговых измерителей, используемых в полевых условиях, слишком сложно или дорого заменить. Например, старые счетчики воды / газа. Постоянное обнаружение давления важно для предотвращения обострения событий. Мы искали неинтервенционистские решения и решили поэкспериментировать с методами CV + ML. Для начала взяли в руки показания цифровых счетчиков. Это сообщение в блоге является частью серии экспериментов, о которых мы расскажем в следующих..
