Автор оригинала: FreeCodeCapm Team.
Арини Джанакираман
Глубокое обучение не принимает огромное количество времени или вычислительных ресурсов. Также не требуется высоко сложный код, а в некоторых случаях даже не большая сумма учебных данных. Отверенные лучшие практики теперь доступны в качестве библиотек, которые позволяют легко подключать и написать собственные нейронные сетевые архитектуры, используя минимальное количество кода для достижения более чем 90% аккуратных прогнозов.
Две самые популярные библиотеки глубокого обучения: (1) Pytorch, созданный Facebook (мы будем использовать Fastai сегодня, что построен на вершине Pytorch) и (2) каркаса Keras-Tensorflow, созданная Google.
Проект
Мы построим классификатор изображений, используя модель сверточной нейронной сети (CNN), чтобы предсказать, если данное изображение заключается в том, что Drogon или Vicienion (любая игра престолов поклонников здесь в доме?
Вы можете адаптировать это заявление о проблеме к любому типу классификации изображений, которая вас интересует. Вот некоторые идеи: кошка или собака (классическое глубокое обучение 101), если человек носит очки или нет, автобус или автомобиль, хот-дог против хот-хот-дога (вентиляторы Силиконовые долины также говорят yay!;)).
Шаг 1: Установка
Вы можете использовать любую ускоренную платформу Cloud Computing GPU для запуска вашей модели. Для целей этого блога мы будем использовать Paperspace (самый доступный). Полные инструкции о том, как получить это и запущенные доступны здесь Отказ
После настройки вы можете запустить ноутбук Jupyter на этом компьютере, используя следующую команду:
jupyter notebook
Это даст вам URL-адрес localhost, который вы можете открыть в вашем браузере и заменить «localhost» с IP-адресом вашего компьютера, чтобы запустить свою ноутбук.
Теперь вы можете скопировать ноутбук iPython и файлы набора данных в структуру каталогов ниже из мой github repo Отказ
Примечание : Не забудьте выключить машину из консоли Paperspace, когда вы сделаете, чтобы избежать случайного взимания.
Шаг 2: Обучение
Следуйте инструкциям в ноутбуке, чтобы инициализировать библиотеки, необходимые для этого упражнения, и укажите местоположение пути к вашему каталогу данных. Обратите внимание, что каждый блок кода может быть запущен с помощью «Shift + Enter». Если вам нужна дополнительная информация о командах ноутбука Jupyter, вы можете прочитать больше здесь Отказ
Теперь, приходя в часть обучения классификатора изображения, следующие три строки кода формируют ядро построения модели глубокого обучения:
- данные : представляет наборы проверки и обучения.
- Учить : содержит модель
- arearn.fit (schity_rate, epoch) : Установите модель, используя два параметра – скорость обучения и эпохи.
Мы установили уровень обучения, чтобы быть «0,01» здесь. Скорость обучения должна быть достаточно небольшого номера, чтобы вы продвигались через изображение в инкрементных этапах этого фактора, чтобы учиться с точностью. Но это не должно быть слишком маленьким, либо, как это приведет к слишком большому количеству шагов/слишком долго, чтобы учиться. Библиотека имеет метод поиска по курсу обучения «LR_Find ()», чтобы найти оптимальный.
EPOCH установлена на «3» в коде здесь, и оно представляет собой, сколько раз вы должны запустить партию. Мы можем запускать столько раз, сколько мы хотим, но после того, как точка точка начнет ухудшаться из-за чрезмерной поверхности.
Шаг 3: прогноз
Теперь мы будем проходить прогноз на данные проверки, используя обученную модель.
Pytorch дает журнал прогнозирования, чтобы получить вероятность того, что вы должны добраться до мощности использования Numpy. Следуйте инструкциям Шаг за шагом на ноутбуке в моем Github Repo Отказ Вероятность, близкая к 0, подразумевает его изображение дрогово, и вероятность, близкая к 1, подразумевает его изображение посещения.
Шаг 4: визуализировать
Функция построения может быть использована для лучшей визуализации результатов прогнозирования. Изображения ниже показывают вам правильно классифицированные данные проверки с 0,2-0,3, указывающие его дрогон и вероятность 0,7-0,8, указывающих, что это заседание.
Вы также можете увидеть некоторые неопределенные прогнозы, если они задерживаются ближе к вероятности 0,5.
Классификатор изображения в некоторых сценариях может иметь неопределенные прогнозы, например, в случае длинных хвостохранившихся изображений, так как он захватывает небольшой кусочек квадрата за раз.
В этих случаях методы повышения могут быть сделаны, чтобы иметь лучшие результаты, такие как увеличение данных, оптимизация скорости обучения, используя дифференциальные нормы обучения для разных слоев, а также увеличение времени. Эти продвинутые концепции будут изучены в будущих постах.
Этот блог был вдохновлен видео Fastai CNN. Чтобы получить глубокое понимание и продолжить поиски в глубоком обучении, вы можете взять знаменитый набор курсов Andrew NG на Курсера Отказ
Если вам понравилось это, пожалуйста, хлопайте ? с О, другие могут видеть это тоже! Подпишись на меня в Твиттере @ H аринилабс или М. Эдиум. Чтобы получить новые пост обновления или просто сказать привет:)
PS: Подпишитесь на мою рассылку здесь Чтобы быть первым, чтобы получить новый новый контент, и он наполнен дозами вдохновения из мира # Жентех — И да, мужчины могут тоже перейти:)