Публикации по теме 'deep-learning'


Шноркель - слабая система наблюдения
Современные мощные модели, такие как DNN, дают самые современные результаты по многим задачам, и их легче развернуть, чем когда-либо прежде ( с использованием современных предварительно обученных моделей, таких как ULMFiT и BERT ). Таким образом, вместо того, чтобы тратить большую часть нашего времени на тщательную разработку функций для наших моделей, теперь мы можем передавать необработанные данные - изображения, текст и т. Д. В эти системы, и они могут изучать свои собственные функции...
Приложение для идентификации собак
Этот пост посвящен моему проекту Udacity Data Science Nanodegree. Одним из вариантов проекта стал классификатор пород собак. В этом проекте используются сверточные нейронные сети (CNN)! В этом проекте мы узнаем, как построить конвейер для обработки реальных изображений, предоставленных пользователями. Определение проекта: Цель проекта — создать веб-приложение, способное определять породу собаки , если на вход подается фотография или изображение. Учитывая изображение собаки,..
Au Revoir Backprop! Bonjour Optical Transfer Learning!
Как люди, всякий раз, когда мы узнаем что-то новое, мы опираемся на свой прошлый опыт и знания. Трансферное обучение - это та же мощная идея, но она применяется к глубокому обучению. Что такое трансферное обучение? Трансферное обучение широко используется в глубоком обучении. Его цель - передать часть знаний, полученных одной моделью при решении одной задачи, другой модели. Это полезно, когда доступные данные ограничены или когда время является большим ограничением при..
Характеристики «неверных данных» для машинного обучения и возможные решения?
[ML0to100] — S1E13 Поскольку ваша основная задача - выбрать алгоритм обучения и обучить его на некоторых данных , могут возникнуть две ошибки: « плохой алгоритм ». и « неверные данные » Примеры неверных данных- 1. Недостаточное количество обучающих данных - Для правильной работы большинства алгоритмов машинного обучения требуется много данных. Даже для очень простых проблем обычно требуются тысячи примеров, а для сложных проблем , таких как распознавание изображений или..
Временные сверточные сети
Временные сверточные сети Могут ли CNN обрабатывать последовательные данные и поддерживать более эффективную историю, чем LSTM? В этой статье рассматривается работа Шаоджи Бая, Дж. Зико Колтера и Владлена Колтуна под названием Эмпирическая оценка общих сверточных и рекуррентных сетей для последовательного моделирования . До появления TCN мы часто связывали RNN, такие как LSTM и GRU, для новой задачи моделирования последовательности. Однако в документе показано, что TCN..
Классификация дорожных знаков с использованием остаточных сетей (ResNet)
Реализация Классификация дорожных знаков с использованием остаточных сетей (ResNet) Глубокое остаточное обучение классификации дорожных знаков Глубокие сверточные нейронные сети (CNN) широко используются для решения различных задач компьютерного зрения в области искусственного интеллекта. Эта статья посвящена разработке модели глубокого обучения для распознавания дорожных знаков. Оглавление Анализ данных Создайте модель ResNet Обучение модели Оценка модели..
Современное (2019 г.) распознавание лиц с помощью RetinaFace и MXNet
Тестировать нейронные сети глубокого обучения на общедоступных наборах данных — это весело, но обычно на невидимых данных вы действительно можете увидеть, как на самом деле работают опубликованные методы. Недавно я пытался обнаружить человеческие лица на кадрах Игры престолов . Я был удивлен, увидев, что наиболее широко используемые методы не очень хорошо себя зарекомендовали. Сначала я попробовал Каскадный детектор OpenCV HaaR , затем Фронтальный детектор лица Dlib HOG . В обоих..