Python: Делаем сверточную нейронную сеть в Keras | #14 нейросети на Python - видео HD
00:15:26
Обнаружено блокирование рекламы на сайте
Для существования нашего сайта необходим показ рекламы. Просим отнестись с пониманием и добавить сайт в список исключений вашей программы для блокировки рекламы (AdBlock и другие).
12n.ru 18790 роликов
455 просмотров на сайте 12n.ru
Делаем сверточную нейронную сеть в Keras | #14 нейросети на Python - видео.
Смотрите как сделать сверточную нейронную сеть в пакете Keras для распознавания рукописных цифр. Рассматриваются слои: Conv2D, MaxPooling2D.
Также в Keras имеются аналогичные слои Conv1D, Conv2D и Conv3D.Сверточные слои: https://ru-keras.com/convolutional-layers/ lesson 14. CNN.py: https://github.com/selfedu-rus/neural-network
С чего начать разработку нейросети?
- Определите задачу, которую должна решить ваша нейросеть. Это может быть распознавание образов, классификация данных, предсказание временных рядов и т.д.
- Изучите теорию нейронных сетей. Узнайте, как они работают, какие существуют типы нейросетей и какие алгоритмы обучения используются.
- Выберите подходящий тип нейросети для решения вашей задачи. Существует множество различных типов нейросетей, таких как перцептроны, рекуррентные нейронные сети, сверточные нейронные сети и т.д. Выберите тот, который наиболее подходит для решения вашей задачи.
- Разработайте архитектуру нейросети. Это включает в себя определение количества слоев, числа нейронов в каждом слое и типа активации функции.
- Соберите данные для обучения нейросети. Данные должны быть репрезентативными и достаточно большими, чтобы нейросеть могла научиться на них.
- Обучите нейросеть на собранных данных. Для этого используйте алгоритмы обучения, такие как обратное распространение ошибки, стохастический градиентный спуск и т.д.
- Оцените качество работы нейросети, используя метрики, такие как точность, отзыв и F1-мера.
развернуть свернуть
- 5 комментариев
RSS
Dmitry Mitrofanov
09:45
Когда успеваеш?
Dmitry Mitrofanov
10:29
Разжевана каждая буква, круто, надеюсь будете продолжать… gans, lstm, rnn. А будут bert?
Сергей Дубинин
12:08
Спасибо за видео. Заранее извиняюсь за глупый вопрос, просто некоторые вещи я совершенно не понимаю. В своих видео Вы пользуетесь Mnist (так же есть и другие базы для распознания различных объектов), а как быть если мне нужно распознавать, что то для чего нет готовых баз данных? Как мне самому создать выборку для распознания нужных мне предметов на фото? Я понимаю, что нужно много фотографий для формирования обучающей и тестовой выборки, но как пиксели на этих фотографиях превратить в числа которые можно подавать на вход сети. И вообще, что из себя представляет это выборка — это список, словарь или кортеж, ведь каждой картинке должен соответствовать правильный ответ, который будет сравниваться с выходными данными нейронки. Возможно я забегаю вперед и вы об этом еще будете говорить, а возможно уже говорили. Буду крайне признателен, если подскажите где это можно посмотреть или почитать. А если вы об этом говорили, то достаточно только кивнуть головой и я пересмотрю все видео еще раз и найду сам.
Pro100Magistr
21:18
А как обучать фильтры? Очень мало информации по этому поводу(
12n.ru
12:40
Фильтры можно обучать с помощью различных методов, включая машинное обучение, глубокое обучение и статистический анализ. В зависимости от типа фильтра и задачи, которую он выполняет, могут использоваться разные методы обучения. Например, для обучения фильтра изображения можно использовать алгоритмы машинного обучения, такие как сверточные нейронные сети (CNN), которые позволяют извлекать признаки из изображения и использовать их для классификации или регрессии. Для обучения фильтра звука можно использовать методы глубокого обучения, такие как рекуррентные нейронные сети (RNN), которые могут анализировать временные последовательности и извлекать из них значимые характеристики. Статистический анализ также может использоваться для обучения фильтров, например, для определения оптимального порога в бинарном классификаторе.
