В этом уроке мы исследуем производительность распознавания объектов с использованием набора данных CIFAR10 . В этом проекте мы будем использовать сверточную нейронную сеть и рассмотрим несколько новых важных терминов. Сверточная нейронная сеть (CNN) — это сильный алгоритм в области машинного обучения. Вокруг нас много сетей, но их особое свойство заключается в том, что они могут определять особенности изображения или данных для каждого класса самостоятельно. Традиционная нейронная..

Создание моделей с нуля для выполнения уже решенных задач не сэкономит ваше время и ресурсы. Техника трансферного обучения намного лучше! Введение Transfer Learning — еще одна концепция машинного обучения. Это когда мы строим модель обучения на основе предыдущих знаний (мы внедряем уже обученные модели — знания = веса и смещения) В этом блоге я поделюсь с вами тем, как я применил этот метод для обучения модели сверточной нейронной сети для классификации набора данных CIFAR 10 с..

В этой части блога мы сосредоточимся на обучении и оптимизации нашей нейронной сети. Первая часть блога посвящена основам реснетов, дополнению данных, нормализации данных и пакетной нормализации. В этом блоге мы рассмотрим следующие темы. 5. Планировщик скорости обучения 6. Распад веса 7. Оптимизатор Адама 8. Обучение модели Мы рассмотрим каждый из них по мере их появления в нашем коде. def accuracy (outputs, labels): _, preds = torch.max(outputs, dim=1) return..

CIFAR10 - это подмножество помеченного набора данных, собранного из набора данных из 80 миллионов крошечных изображений . этот набор данных собран Алексом Крижевски, Винодом Наиром и Джеффри Хинтоном. CIFAR10 в упаковке torch содержит 60 000 изображений 10 этикеток размером 32x32 пикселя. По умолчанию torchvision.datasets.CIFAR10 разделяет набор данных на 50 000 изображений для обучения и 10 000 изображений для тестирования. VGG16 - это очень глубокая сверточная нейронная сеть,..

[Соавторами этой статьи являются Дженнифер Прендки и Аканкша Девкар из Алектио] Прежде чем перейти к заключительной части этой серии, мы подумали, что было бы разумно выделить момент и освежить в памяти то, что мы узнали на данный момент. В части 1 мы добавили шум в набор данных CIFAR-10 , обучили модели на этих загрязненных данных и провели пару экспериментов. Неудивительно, что худшие данные дают худшую производительность модели, но гораздо интереснее то, что на одни классы повлияли..

Поначалу все эти ИИ, машинное обучение и глубокое обучение звучали ужасно, как что-то вроде машинного кода. Если это ваша ситуация сейчас, то я когда-то был на ваших шоу. Поработав, я убедился, что это не так уж и страшно. Надеюсь, к концу чтения вы со мной согласитесь. В этой статье мы рассмотрим создание классификатора изображений. Ага! Вы меня правильно поняли, классификатор изображений. Не бойтесь, мы пройдем все этапы и обязательно будет весело. Мы будем модулем PyTorch nn..