Публикации по теме 'transfer-learning'


Загрузка и обучение нейронной сети с помощью настраиваемого набора данных с помощью передачи обучения в Pytorch
В предыдущем посте ( здесь ) мы загрузили и преобразовали пользовательские изображения из каталога наборов данных для обучения и проверки в соответствующим образом обработанные тензоры; Теперь мы готовы загрузить, изменить, обучить и протестировать существующую модель с нашими готовыми данными в четыре этапа: Загрузка модели нейронной сети Построение классификатора и обучение сети Тестирование модифицированной сети Сохранение КПП Загрузка модели нейронной сети Существует..
Как использовать трансферное обучение для классификации изображений с помощью современных моделей глубокого обучения
В этом посте я хотел бы показать, как использовать предварительно обученную современную модель для классификации изображений для классификации пользовательских данных. Я покажу, как применить трансферное обучение в Keras с помощью модели Effectivenet от Google для классификации изображений автомобилей из стэнфордского набора данных об автомобилях . Полный блокнот jupyter можно найти в моем репозитории github . Эффективная сеть Начиная с изначально простой сверточной нейронной сети..
Начало и версии Inception Network.
В этом блоге мы кратко рассмотрим архитектуру Inception от Google в 2014 году и версии сети Inception. Проблемы До появления сети Inception в исследовании предпринимались попытки создать более глубокие модели, потому что наиболее простой способ улучшить производительность глубоких нейронных сетей - увеличить их размер, но с некоторыми из проблем, с которыми сталкиваются исследователи, являются: Проблема исчезновения градиента возникает по мере того, как модель становится глубже, из-за..
Перенос обучения за 5 минут с VGG16
Держите под рукой фото любимого питомца, оно нам понадобится! Это собака или призрак? Transfer Learning — очень популярная концепция машинного обучения, в которой модель использует знания других (ранее обученных) моделей вместо самообучения с нуля. Это наиболее часто используемая идея в распознавании изображений и глубоком обучении в целом, где для достижения удовлетворительных результатов требуются гигантские наборы данных. Используйте то, что знаете, адаптируйте и продолжайте..
Мой первый хакатон по глубокому обучению - точность 95%
Привет ребята, Недавно я участвовал в своем самом первом хакатоне по глубокому обучению, который проводил Analytics Vidhya. Здесь я расскажу, как я начал с самого начала, какие подходы я использовал, как я утвердил свои оценки и, наконец, достиг 95% точности тестирования. Фон Изначально, когда я начал свой путь к машинному обучению, я в значительной степени ограничился только проблемами регрессии и классификации. Раньше меня очень пугали модели компьютерного зрения из-за продвинутого..
Введение в трансферное обучение
Мы, люди, очень совершенны в применении передачи знаний между задачами. Это означает, что всякий раз, когда мы сталкиваемся с новой проблемой или задачей, мы распознаем ее и применяем соответствующие знания из нашего предыдущего опыта обучения. Это делает нашу работу легкой и быстрой. Например, если вы умеете кататься на велосипеде и если вас попросят покататься на мотоцикле, чего вы никогда раньше не делали. В таком случае наш опыт обращения с велосипедом вступит в игру и поможет..
Как создать классификатор изображений за один день - Часть 1: трансферное обучение
Этот пост является первой частью серии, описывающей разработку API классификации изображений с использованием трансферного обучения. Код для этой серии можно найти на странице Decathlon Canada Github . Что вы узнаете В части 1 этой серии, посвященной классификации изображений, вы узнаете о: алгоритм (сверточные нейронные сети), используемый для классификации изображений; как использовать существующие модели для создания мощного классификатора изображений с помощью техники,..