نویسنده (ها): Setia Budi Sumandra
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
آیا تا به حال فکر کرده اید که شبکه های عصبی مصنوعی (ANN) در مقایسه با چه عملکرد خوبی دارند شبکه های عصبی حلقوی (CNN) در طبقه بندی تصاویر؟
در این مقاله ، من شما را از طریق یک پروژه دستی که در آن مدل های ANN و CNN را با استفاده از CIFAR-10 آموزش می دهیم ، قدم می زنم مجموعه داده و یک پیش بینی تعاملی سرگرم کننده ایجاد کنید که به شما امکان می دهد تصاویر خود را بارگذاری کنید و ببینید که چگونه هر مدل در زمان واقعی عملکرد می کند!
بیایید همه آن را به صورت خط ، بلوک به صورت بلوک ، با توضیحات واضح و روشن ، بشکنیم.
وارد کردن numpy به عنوان npimport matplotlib.pyplot به عنوان pltimport seaborn به عنوان snsfrom تانسور پر. Keras لایه های واردات ، مدل ها تانسور پر.kerasمجموعه داده ها واردات cifar10import ipywidgets به عنوان widgetsfrom ipython.display صفحه نمایش واردات ، clear_outputfrom import import ImageImport io ، osfrom ipython.display. صفحه نمایش واردات ، clear_outputimport ipywidget as widgetsfrom ipywidgets واردات طرح های واردات مجموعه های واردات
بسته های ضروری برای:
دستکاری داده ها: numpyvisualization: matplotlib & seaborndataset و ساختمان /آموزش /آموزش: tensorflow.kerasui تعامل: iPywidgets ، iPython.displayImage: pil (x_train ، y_train) ، (x_test ، y_test) = cifar10.load_data () 255.0 ، x_test / 255.0# برچسب reshapey_train = y_train.flatten () y_test = y_test.flatten () cifar-10 ، مجموعه ای از 60،000 32 × 32 تصویر از 10 دسته. [0–255] به [0–1]برای سازگاری با آموزش مدل ، آرایه های برچسب را به 1D می رساند. class_names = [‘Airplane’, ‘Automobile’, ‘Bird’, ‘Cat’, ‘Deer’, ‘Dog’, ‘Frog’, ‘Horse’, ‘Ship’, ‘Truck’]
این نام های قابل خواندن انسانی برای 10… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی