Нейронные сети и Keras. Часть 1
0 likes1,384 views
Документ описывает использование нейронных сетей для классификации объектов с упором на библиотеку Keras. Он охватывает архитектуры сверточных нейронных сетей, методы аугментации данных и настройку модели для задач, таких как идентификация объектов и распознавание лиц. Также представлены примеры построения и обучения моделей с использованием предобученных весов и различных слоев.
Нейронные сети и Keras. Часть 1
- 2. Руденко Данил Backend - разработчик Немного GOlang Немного Python (нейросети + аугментация данных) Немного Embedded
- 3. Задача классификации Классифицировать объект — значит, указать номер (или наименование класса), к которому относится данный объект. киса 0 киса 1 киса 2
- 9. Задачи, плюсы - идентификация объектов - семантическая сегментация - распознавание лиц - распознавание частей тела человека - семантическое определение границ - выделение объектов внимания - выделение нормалей к поверхностям
- 10. Множество NN - фреймворков
- 11. Keras
- 12. Топологии нейросетей model = Sequential() model.add(Conv2D(32, (3, 3), input_shape=(3, 150, 150))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=( 2, 2))) model.add(Conv2D(32, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=( 2, 2))) …. model.add(Dense(1)) model.add(Activation('sigmoid')) ● Xception ● VGG16 ● VGG19 ● ResNet50 ● InceptionV3 ● InceptionResNetV2 ● MobileNet
- 13. Dataset и уже готовые веса
- 14. Keras. Применение встроенной нейронки from keras.applications.vgg16 import VGG16 model = VGG16(weights='imagenet') im = read_image('cat.jpg') sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) # https://goo.gl/jSWjvU model.compile(optimizer=sgd, loss='categorical_crossentropy') # https://goo.gl/u9AfzF out = model.predict(im) # произошел вывод номера класса, например 281
- 15. Проблемы
- 16. Аугментация данных https://github.com/aleju/imgaug https://github.com/mdbloice/Augmentor datagen = ImageDataGenerator( rotation_range=40, width_shift_range=0.2, height_shift_range=0.2, rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest') - Поворот на произвольный градус - Цветовая коррекция - “Выбивание” квадратами - Масштабирование - “Склейка” сцен - Аффинные преобразования - Применение различных фильтров
- 17. Deep learning - это процесс рекурсивный
- 18. Fine-tuning
- 19. Fine - tuning в Keras x = base_model.output predictions = Dense(<количество_видов_кошечек>, activation='softmax')(x) model = Model(inputs=base_model.inputs, outputs=predictions) for layer in model.layers: if layer.name == 'activation_40': break layer.trainable = False train_generator = train_datagen.flow_from_directory( train_data_dir, target_size=(img_height, img_width), batch_size=batch_size, class_mode='categorical')
- 20. Нейросети идут в каждый дом. Example.