Публикации по теме 'convolution-neural-net'
Изучение CNN (с данными изображения) с использованием простых программ KERAS и PYTHON
Здесь я постараюсь поделиться своим опытом изучения CNN. Я поместил простые небольшие примеры (коды), чтобы быстро понять. Python (≥3.6) и Keras (≥2) используются с Tensorflow в серверной части. Блокнот Jupyter лучше всего подходит для этих примеров. Что еще? Запустите коды и получайте удовольствие…
1. Распознавание почерка
Здесь загружается набор данных MNIST. После обучения и проверки модели производительность оценивается с использованием тестовых данных. Для запуска кода..
Распознавание рукописных символов EMNIST с помощью Deep Learning
В области науки о данных приложение «hello world» распознает рукописные цифры в наборе данных MNIST. Он предоставляет обучающий набор из 60 000 примеров и тестовый набор из 10 000 примеров. С другой стороны, есть набор данных EMNIST, который является расширенной версией MNIST, также содержащий рукописные буквы.
Так что распознавание рукописных символов - это основная задача, чтобы сделать ее более увлекательной, мы расширили наши сети, чтобы распознавать эльфийские буквы и цифры...
Простое обнаружение объектов Сверточная нейронная сеть с использованием Tensorflow
Что ж, не так давно меня пригласили на собеседование. Я решил приложить все усилия, и то, что начиналось как простой код на Pycharm, а затем как усовершенствованный блокнот Jupyter, теперь станет небольшой статьей.
По сути, задача заключалась в создании простой нейронной сети для обнаружения объектов (в нашем случае - эллипсов). Не было никаких ограничений ни относительно рабочего фрейма (Tensorflow, Keras, Pytorch…), ни используемых модулей (Opencv, pandas, numpy).
Первая часть..
Авторегрессивные генеративные модели (PixelRNN, PixelCNN ++)
Авторы: Харшит Шарма, Саураб Мишра
Генеративные модели - это подмножество обучения без учителя, в котором с учетом некоторых обучающих данных мы генерируем новые выборки / данные из того же распределения. Есть два способа моделирования этого распределения, наиболее эффективными и популярными из которых являются авторегрессивные модели, автокодировщики и сети GAN.
Основное различие между генерирующими состязательными сетями (GAN) и авторегрессивными моделями заключается в том, что GAN..
Предварительная обработка данных и рабочий процесс на изображениях глазного дна для классификации диабетической ретинопатии
Диабетическая ретинопатия поражает кровеносные сосуды в светочувствительной ткани, называемой сетчаткой, которая выстилает заднюю часть глаза. Это наиболее частая причина потери зрения среди людей с диабетом и основная причина ухудшения зрения и слепоты среди взрослых трудоспособного возраста.
НАБОР ДАННЫХ: набор данных был взят из Kaggle.
Набор данных состоит из 35 000 изображений различных классов и очень несбалансирован. Обнаруженные данные, относящиеся к этой теме, зашумлены и..
Распознавание рукописных цифр с использованием машинного обучения
Машинное обучение и глубокое обучение играют важную роль в компьютерных технологиях и искусственном интеллекте. Благодаря использованию глубокого обучения и машинного обучения человеческие усилия могут быть уменьшены в распознавании, обучении, прогнозировании и во многих других областях. В этой статье представлено распознавание рукописных цифр (от 0 до 9) из известного набора данных MNIST, сравнение классификаторов, таких как KNN, PSVM, NN и сверточная нейронная сеть, на основе..
One Shot Learning with Siamese Networks с помощью Keras
Оглавление
Вступление Предпосылки Классификация против обучения одним выстрелом Приложения Набор данных Omniglot Загрузка набора данных Сопоставление проблемы с задачей двоичной классификации Модельная архитектура и обучение Проверка модели Базовый уровень 1 - Модель ближайшего соседа Базовый уровень 2 - Случайная модель Результаты испытаний и выводы Заключение использованная литература
1. Введение
Глубокие сверточные нейронные сети стали самыми современными методами для..