Публикации по теме 'mnist'
Прототип приложения машинного обучения с помощью Streamlit, FastAPI и Hugging Face
Такие инструменты, как Streamlit, FastAPI и Hugging Face, появились как быстрый способ представить функциональные результаты для приложений машинного обучения и не требуют сложных реализаций.
В этом посте вы найдете:
Краткое введение в прототипирование , Инструменты прототипирования, Что такое Streamlit, FastAPI и Hugging Face ?, Пример ML-приложения с Streamlit, FastAPI и Hugging Face и Выводы.
В процессе разработки проектов по науке о данных нам всегда нужно..
Кластеризация в Apache Spark
Этот проект состоит из реализации алгоритма кластеризации в распределенной среде и отображения результатов в блокноте Python. В частности, я использовал очень популярный набор данных MNIST в Apache Spark, используя библиотеку машинного обучения MLlib.
Apache Spark позволяет использовать массивные наборы данных в нескольких кластерах, но для простоты я просто буду использовать стандартный MNIST вместо EMNIST или MNIST8M на своей единственной машине. Другой момент заключается в том, что..
Применение ИНС | Цифра и мода MNIST
Введение
Глубокое обучение открыло новую эру для увеличения вычислительной мощности обработки набора данных. Кроме того, он проложил путь для обработки неструктурированных данных, таких как изображения, аудио- и видеоданные, для обучения которых обычным моделям машинного обучения требуется больше времени. С помощью нейронных сетей и обратного распространения мы можем минимизировать потери в нашем прогнозе и быть более точными.
Что такое глубокое обучение?
Глубокое обучение — это..
Использование Google Colab для MNIST с fastai v1
Теперь, когда вышла первая версия fastai, я решил запачкать руки. В Google Colab вы можете бесплатно использовать графический процессор для проекта ноутбука. Поэтому я выбрал Colab, чтобы опробовать все новые fastai версии 1 (точнее, 1.0.5).
Вы можете создать ipynb на вашем Gdrive с помощью `new› more ›Colaboratory`.
Открыв новый файл ipynb, вы можете изменить среду выполнения для использования графического процессора, выбрав «Время выполнения› Изменить тип среды выполнения »...
Открытие черного ящика простейшей нейронной сети
Визуализируйте процесс принятия решения (веса) нейронной сети.
Нейронные сети (НС) часто считаются «черным ящиком», а это означает, что мы не можем легко определить, как именно они принимают решения. Учитывая, что НС хранят свои знания в своих весах, имеет смысл, что их проверка должна раскрыть некоторые идеи о процессе принятия ими решения.
В этой статье мы собираемся обучить NN, которые распознают рукописные числа (0–9), а затем открывают свой «черный ящик», визуализируя их веса...
Пример сквозной классификации рака кожи с использованием PyTorch
Привет, мир. Как следует из названия, этот блог является иллюстрацией для разработки сквозной модели CNN или ConvNet с использованием инфраструктуры PyTorch.
Что такое CNN?
CNN расшифровывается как сверточная нейронная сеть. Сверточная нейронная сеть - это тип сети, который чаще всего применяется для решения задач обработки изображений. Сеть состоит из нескольких активированных сверточных слоев, за которыми следуют объединенные слои для извлечения функций из обучающих данных.
Мы..
Понимание трехмерных сверточных нейронных сетей с использованием набора данных 3D MNIST
Машинное обучение с использованием набора 3D-данных очень важно для компьютерного зрения. Автомобилям самоуправляемые нужны огромные объемы 3D-данных, чтобы они работали и работали эффективно. В этой статье я использую 3D-версию набора данных MNIST, доступного на kaggle, и показываю, как предварительно обрабатывать и визуализировать данные, а также создавать 3D-модель сверточной нейронной сети (CNN) для соответствия этим данным.
Прежде чем перейти к созданию модели, самое время перейти..
