Привет. Итак, этот пост посвящен сверточным нейронным сетям (CNN), наиболее широко используемому алгоритму машинного обучения для классификации изображений. CNN вдохновлены тем, как мы, люди, на самом деле видим объект и идентифицируем его. Он основан на подходе, согласно которому нейронные клетки в наших глазах видят только часть всего объекта, и эти маленькие части (называемые рецептивным полем) объединяются вместе, чтобы сформировать весь объект. Компьютер видит изображение в виде..

Ресурсоэффективная классификация изображений с использованием многомасштабной сети DenseNet для устройств с ограниченной вычислительной мощностью В этой истории MSDNet (многоуровневая плотная сеть) от Корнельского университета , Университета Фудань , Университета Цинхуа , а также Facebook AI Research (FAIR) . Авторы изобрели DenseNet в 2017 году CVPR (Best Paper Award с более чем 2900 цитированием) и предложили MSDNet в 2018 ICLR с десятками цитирований , что является..

Пример приложения: выбор типа цветка из категорий цветов ириса. {Собирать данные} Цель поста состоит в том, чтобы немного прояснить путь к работе над проектом машинного обучения в реальном времени. Здесь я поделюсь тем, что когда-либо узнаю в этом процессе. Источник этой статьи: Сирадж Раваль Ваше первое приложение машинного обучения — машинное обучение для хакеров #1 . Итак, шаги, которые нам нужно выполнить. Цанговые данные Выберите модель Обучите модель Протестируйте..

Научитесь создавать конвейер ввода для изображений, чтобы эффективно использовать ресурсы ЦП и ГП для обработки набора данных изображений и сократить время обучения для модели глубокого обучения. Из этого поста вы узнаете Как ресурсы ЦП и ГП используются при простом подходе во время обучения модели? Насколько эффективно использовать ресурсы ЦП и ГП для предварительной обработки данных и обучения? Зачем использовать tf.data для создания эффективного конвейера ввода? Как..