lierre

딥러닝 이미지 예제

딥 러닝 머신은 언어의 방언을 구별하기 시작했습니다. 기계는 누군가가...

02 Août

딥 러닝 머신은 언어의 방언을 구별하기 시작했습니다. 기계는 누군가가 영어를 말하고 있다고 결정한 다음 방언의 차이를 말하는 법을 배우는 AI를 참여시킵니다. 방언이 결정되면 다른 AI가 특정 방언을 전문으로 합니다. 이 모든 것은 인간의 개입없이 발생합니다. 모든 분류 작업은 레이블이 지정된 데이터 집합에 따라 다릅니다. 즉, 인간은 신경망이 레이블과 데이터 간의 상관 관계를 학습하기 위해 자신의 지식을 데이터 집합으로 전송해야 합니다. 이를 감독 학습이라고 합니다. 딥 러닝이 어려운 문제 영역의 범위에서 최첨단 결과를 달성하고 있다고 말하는 것은 과장된 것입니다. 사실, 뿐만 아니라 과장. 딥 러닝은 금융을 위한 최첨단인가요? 몰라요.

나는이 질문을 탐구하는 사람들이 명백한 이유로 발견 을 비밀로 유지하고 있기를 기대합니다. 딥 러닝 네트워크에서 각 노드 계층은 이전 계층의 출력을 기반으로 고유한 기능 집합을 학습합니다. 신경망으로 더 발전할수록 노드가 이전 계층의 피처를 집계하고 다시 결합하기 때문에 노드가 인식할 수 있는 기능이 더 복잡해지다. 대부분의 딥 러닝 방법은 신경망 아키텍처를 사용하므로 딥 러닝 모델을 심층 신경망이라고도 합니다. 이 문서에서는 입력 이미지가 속한 클래스를 알려주는 것이 목표인 이미지 분류 문제를 해결합니다. 우리가 그것을 달성하기 위해가는 방법은 고양이와 강아지의 수천 이미지에 인공 신경망을 훈련하고 NN (신경 네트워크)가 이미지가 속한 클래스를 예측하는 법을 배워야합니다, 다음에 고양이 또는 개가있는 이미지를 볼 때. 따라서 이미지를 신경망에 맞추기 전에 기본적으로 교육 데이터를 합성하는 이미지 보강을 수행해야 합니다. 우리는 합성 부분을 수행하기위한 keras.preprocessing 라이브러리를 사용하여이 작업을 수행할뿐만 아니라 디렉토리의 이름이 레이블로 수행되는 제대로 구조화 된 디렉토리에 있는 이미지의 테스트 테스트 세트뿐만 아니라 교육 세트를 준비할 것입니다. 모든 이미지가 그 안에 있습니다. 예: `고양이` 폴더 에 있는 모든 이미지는 keras에 의해 고양이로 간주됩니다.

ReLU(정류 선형 단위) 레이어는 컨볼루션 레이어의 또 다른 단계입니다. 기능 맵에 활성화 함수를 적용하여 네트워크의 비선형성을 높입니다. 이미지 자체가 매우 비선형이기 때문입니다! 활성화 맵에서 음수 값을 0으로 설정하여 음수 값을 제거합니다. 딥 러닝 네트워크는 대부분의 기존 기계 학습 알고리즘과 달리 사람의 개입 없이 자동 기능 추출을 수행합니다. 기능 추출이 수년간 데이터 과학자 팀이 수행해야 하는 작업이라는 점을 감안할 때 딥 러닝은 제한된 전문가의 초크포인트를 피할 수 있는 방법입니다. 그것은 작은 데이터 과학 팀의 힘을 증강, 그들의 본질적으로 확장 하지 않습니다. 감사합니다… 귀하의 블로그는 매우 흥미롭습니다. 나는 딥 러닝에서 내 연구를하고 싶어 … 당신은 나에게 연구 분야를 주의 할 수 있습니다 … 심층 신경망의 가장 인기 있는 유형 중 하나는 컨볼루션 신경망(CNN 또는 ConvNet)이라고 합니다. CNN컨볼은 입력 데이터로 학습된 기능을 학습하고 2D 컨볼루션 레이어를 사용하여 이 아키텍처를 이미지와 같은 2D 데이터 처리에 적합합니다.

예를 들어 딥 러닝은 백만 개의 이미지를 찍고 한 쪽 구석에 있는 고양이, 다른 구석에 있는 얼음 차단기, 그리고 할머니의 모든 사진의 세 번째 사진에 따라 클러스터할 수 있습니다. 이것은 소위 스마트 사진 앨범의 기초입니다. 위의 코드에서, 우리는 위에서 설명하지 않는 손실 및 최적화를 사용하고 있습니다. 둘 다 CNN이 훈련을 해야 했습니다. 손실은 각 실행에 대한 전진 패스의 손실 함수를 결정하고 낙관자는 손실 함수에 기초하여 학습 목적을 위한 역전도를 수행한다.