1、卷积分类器

用 Kera 创建你的第一个计算机视觉模型。

数据集下载地址:链接:https://pan.quark.cn/s/f9a1428cf6e3 提取码:XJcv

文章目录

  • 欢迎来到计算机视觉!
  • 简介
  • 卷积分类器
  • 训练分类器
  • 示例 - 训练一个卷积分类器
    • 步骤1 - 加载数据
    • 步骤2 - 定义预训练基
    • 步骤3 - 附加头
    • 步骤4 - 训练
  • 结论

欢迎来到计算机视觉!

你是否曾经想过教一台计算机去看?在这门课程中,这正是你将要做的!

在这门课程中,你将会:

  • 使用现代深度学习网络,通过Keras构建一个图像分类器
  • 设计你自己的自定义卷积网络,使用可复用的模块
  • 学习视觉特征提取背后的基本理念
  • 掌握迁移学习的艺术,以提升你的模型
  • 利用数据增强来扩展你的数据集

如果你已经完成了深度学习入门课程,你将会知道如何取得成功。

现在让我们开始吧!

简介

这门课程将介绍计算机视觉的基本理论。我们的目标是学习神经网络如何“理解”一张自然图像,以解决人类视觉系统可以解决的同类型问题。

最擅长这项任务的神经网络被称为卷积神经网络(有时我们称之为卷积网络CNN)。卷积是赋予卷积网络层其独特结构的数学运算。在未来的课程中,你将学习为什么这种结构在解决计算机视觉问题上如此有效。

我们将把这些理念应用到图像分类问题上:给定一张图片,我们能否训练一台计算机告诉我们这是一张什么的图片?你可能见过应用程序,它可以从一张照片中识别出植物的种类。那就是一个图像分类器!在这门课程中,你将学习如何构建和专业应用一样强大的图像分类器。

虽然我们的重点将放在图像分类上,但你在这门课程中学到的内容对于每一种计算机视觉问题都是相关的。在结束时,你将准备好进入更高级的应用,如生成对抗网络和图像分割。

卷积分类器

用于图像分类的卷积网络由两部分组成:base(多为卷积层)和head(dense layers, 密集层或称为全连接层)。
在这里插入图片描述
卷积网络的部分:图像,基,头,类;输入,提取,分类,输出。

基部分用于从图像中提取特征。它主要由执行卷积运算的层组成,但通常也包括其他类型的层。(你将在下一课中学习这些。)

头部分用于确定图像的类别。它主要由密集层组成,但可能包括其他层,如dropout。

我们说的视觉特征是什么意思?特征可以是一条线,一种颜色,一种纹理,一种形状,一种模式——或者一些复杂的组合。

整个过程大致如下:
在这里插入图片描述

特征提取的理念。

实际提取的特征看起来有点不同,但它给出了这个理念。

训练分类器

网络在训练期间的目标是学习两件事:

  1. 从图像中提取哪些特征(基),
  2. 哪个类别与哪些特征相匹配(头)。

如今,卷积网络很少从头开始训练。更常见的是,我们重用预训练模型的基。然后我们在预训练的基上附加一个未训练的头。换句话说,我们重用了一个已经学会1. 提取特征的网络部分,并附加了一些新的层来学习2. 分类
在这里插入图片描述
将新的头部附加到训练过的基部。

因为头部通常只包含几个密集层,所以可以从相对较少的数据中创建非常准确的分类器。

重用预训练模型是一种被称为迁移学习的技术。它如此有效,以至于现在几乎每一个图像分类器都会使用它。

示例 - 训练一个卷积分类器

在整个课程中,我们将创建试图解决以下问题的分类器:这是一张汽车的图片还是卡车的图片?我们的数据集大约有10,000张各种汽车的图片,大约一半是汽车,一半是卡车。

步骤1 - 加载数据

下一个隐藏的单元格将导入一些库并设置我们的数据管道。我们有一个名为ds_train的训练分割和一个名为ds_valid的验证分割。

In [1]:

# 导入
import os, warnings
import matplotlib.pyplot as plt

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/672772.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

分享70个行业PPT,总有一款适合您

分享70个行业PPT,总有一款适合您 70个行业PPT下载链接:https://pan.baidu.com/s/1wGxmwmzssJud4ZQmI4IqFQ?pwd8888 提取码:8888 Python采集代码下载链接:采集代码.zip - 蓝奏云 学习知识费力气,收集整理更不易…

vite项目配置根据不同的打包环境使用不同的请求路径VITE_BASE_URL,包括报错解决

vite环境配置可以看官方文档:环境变量和模式 | Vite 官方中文文档 创建环境配置文件 在项目根目录下面创建.env和.env.production文件,.env是开发环境使用的,.env.production是生产环境使用的。 .env文件: # 基本环境 VITE_APP…

PyTorch 2.2 中文官方教程(二)

在 YouTube 上介绍 PyTorch PyTorch 介绍 - YouTube 系列 原文:pytorch.org/tutorials/beginner/introyt.html 译者:飞龙 协议:CC BY-NC-SA 4.0 介绍 || 张量 || 自动微分 || 构建模型 || TensorBoard 支持 || 训练模型 || 模型理解 作者&a…

mysql order by 排序原理

sql语句按照指定的字段进行排序是查询数据时是一个很常见的操作。当涉及到大量数据时,对于 ORDER BY 操作,可以考虑为相应的列添加索引,如果不使用索引,mysql会使用filesort来进行排序。 filesort filesort虽然有file&#xff0…

拦截器配置,FeignClient根据业务规则实现微服务动态路由

文章目录 业务场景拦截器用法Open Feign介绍 业务场景 我们服务使用Spring Cloud微服务架构,使用Spring Cloud Gateway 作为网关,使用 Spring Cloud OpenFeign 作为服务间通信方式我们现在做的信控平台,主要功能之一就是对路口信号机进行管控…

数据结构中的时间复杂度和空间复杂度基础

目录 数据结构 数据结构中的基本名词 数据 数据对象 数据元素 数据项 数据类型 数据对象、数据元素和数据项之间的关系 数据结构及分类 逻辑结构 物理结构 算法 算法的特点 算法设计上的要求 算法效率的衡量 时间复杂度 大O渐进表示法 最坏情况和平均情况 常…

关于现有预报气象大模型的能力上限思考

从2022年开始,以华为pangu weather为代表的气象大模型及fuxi、fengwu等相继涌现,公开发表的文章里也展示了模型与ec预报性能的对比,并且这些大模型也公开了相应的代码或模型,便于人人都可测试使用(如何在本地部署大模型…

R语言学习case10:ggplot基础画图Parallel Coordinate Plot 平行坐标图

step1: 导入ggplot2库文件 library(ggplot2)step2&#xff1a;带入自带的iris数据集 iris <- datasets::irisstep3&#xff1a;查看数据信息 dim(iris)维度为 [150,5] head(iris)查看数据前6行的信息 step4&#xff1a;利用ggplot工具包绘图 plot5 <- ggparcoord(…

Pandas数据预处理之数据标准化-提升机器学习模型性能的关键步骤【第64篇—python:数据预处理】

文章目录 Pandas数据预处理之数据标准化&#xff1a;提升机器学习模型性能的关键步骤1. 数据标准化的重要性2. 使用Pandas进行数据标准化2.1 导入必要的库2.2 读取数据2.3 数据标准化 3. 代码解析4. 进一步优化4.1 最小-最大缩放4.2 自定义标准化方法 5. 处理缺失值和异常值5.1…

HGAME 2024 WEEK 1 :web ezHTTP

题目&#xff1a; 看到这个就知道是文件头伪造 第一想法就是Referer伪造 所以伪造 Referer: vidar.club 然后构造伪造的Referer 然后提示通过那些东西访问页面&#xff0c;User-Agent: 是构造你浏览器访问信息的&#xff0c;所以复制右边那一串替代就好了 然后要求我们从本地…

STM32Cubmax stm32f103zet6 SPI通讯

一、基本概念 SPI 是英语 Serial Peripheral interface 的缩写&#xff0c;顾名思义就是串行外围设备接口。是 Motorola 首先在其 MC68HCXX 系列处理器上定义的。 SPI 接口主要应用在 EEPROM&#xff0c; FLASH&#xff0c;实时时 钟&#xff0c; AD 转换器&#xff0c;还有数…

Vue3入门到实战笔记04--生命周期和自定义hook

13. 生命周期 概念&#xff1a;Vue组件实例在创建时要经历一系列的初始化步骤&#xff0c;在此过程中Vue会在合适的时机&#xff0c;调用特定的函数&#xff0c;从而让开发者有机会在特定阶段运行自己的代码&#xff0c;这些特定的函数统称为&#xff1a;生命周期钩子 规律&am…

Linux在云计算领域的重要作用

在云计算领域&#xff0c;Linux扮演着至关重要的角色。以下是Linux在云计算领域中的重要作用&#xff1a; 稳定性和安全性&#xff1a;Linux操作系统具有稳定性和安全性&#xff0c;可以有效地保护用户的数据安全。它具有各种安全功能&#xff0c;可以防止未经授权的访问&…

【Linux系统化学习】文件描述符fd

目录 基础IO预备知识 C语言文件接口 "w"的方式打开&#xff0c;fputs写入 以"a"的方式打开&#xff0c;fputs写入 使用位图传参 系统调用操作文件 open的使用 第一种形式 第二种形式 write() 文件描述符 文件描述符和进程的关系 默认的三个IO流…

C语言:函数递归

创作不易&#xff0c;给个三连吧&#xff01;&#xff01; 一、什么是递归 递归式一种解决问题的方法&#xff0c;在C语言中&#xff0c;递归就是自己调用自己。 递归的思想&#xff1a; 把⼀个⼤型复杂问题层层转化为⼀个与原问题相似&#xff0c;但规模较小的⼦问题来求解…

考研数据结构笔记(2)

线性表 线性表的定义线性表的基本操作lnitList(&L)DestroyList(&L)Listlnsert(&L,i,e)ListDelete(&L,i,&e)LocateElem(L,e)GetElem(L,i)Length(L)PrintList(L)Empty(L)Tips:引用值 小结 根据数据结构的三要素–逻辑结构、数据的运算、存储结构&#xff0c;…

嵌入式学习Day14 C语言 --- 位运算

位运算 注意&#xff1a;符号位也遵循这个规则 一、按位与(&) 运算规则&#xff1a;一假则假 int a 0x33;a & 0x55;0011 00110101 0101 &----------0001 0001 //0x11 二、按位或(|) 运算规则&#xff1a;一真则真 int a 0x33;a |0x55;0011 00110101 0101 |…

Asp .Net Core 集成 NLog

简介 NLog是一个基于.NET平台编写的日志记录类库&#xff0c;它可以在应用程序中添加跟踪调试代码&#xff0c;以便在开发、测试和生产环境中对程序进行监控和故障排除。NLog具有简单、灵活和易于配置的特点&#xff0c;支持在任何一种.NET语言中输出带有上下文的调试诊断信息…

Python 数据分析库之polars使用详解

概要 数据分析是现代应用程序和业务决策的关键组成部分。Python 作为一门强大的编程语言,拥有丰富的数据处理库和工具,其中之一就是 Polars。Polars 是一个现代化的数据操作和分析库,它提供了高性能的数据操作功能,支持链式方法调用,并且兼容 Pandas 和 Arrow 格式。本文…

嵌入式Linux学习DAY19

函数接口 fgetc(a):从流中读取一个字符----调用一次读取向后读取一次&#xff08;因为被操作数为流&#xff09; 流被读完后会产生错误----用来作为读取结束的条件 fgetc/fputc与getchar/putchar的区别-------没有区别 fputs(a,b):将a打印到b内&#xff0c;若b为stdout&…