Публикации по теме 'transfer-learning'
ICLR 2019: Преодоление ограниченных данных
Резюме статей, посвященных обучению на нескольких примерах
На прошлой неделе (06.05.19) началась Международная конференция по обучающимся представительствам (ICLR). Поэтому я подумал, что углублюсь в некоторые из статей ICLR, которые я нашел наиболее интересными. Большинство этих работ относятся к областям, представляющим для меня личный интерес (обучение без учителя, метаобучение, внимание, НЛП), но некоторые из них я выбрал просто из-за их высокого качества и влияния в соответствующих..
Dog-Breed-Classifier: сверточные нейронные сети и трансферное обучение для классификации изображений
Dog-Breed-Classifier: сверточные нейронные сети и трансферное обучение для классификации изображений
Обзор проекта
В этом посте я буду обсуждать процесс создания конвейера для обработки реальных изображений, предоставленных пользователями. Учитывая изображение собаки, алгоритм определит оценку породы собаки. При наличии изображения человека код идентифицирует похожую породу собаки.
Сверточная нейронная сеть (CNN) — это особый класс нейронной сети, который может просматривать и..
Введение в компьютерное зрение с помощью PyTorch (5/6)
Предыдущий ‹‹ Введение в компьютерное зрение с помощью PyTorch (4/6)
Предварительно обученные модели и трансферное обучение
Обучение CNN может занять много времени, и для этой задачи требуется много данных. Однако большая часть времени тратится на изучение лучших низкоуровневых фильтров, которые сеть использует для извлечения шаблонов из изображений. Возникает закономерный вопрос — можем ли мы использовать нейронную сеть, обученную на одном наборе данных, и адаптировать ее для..
Классификация изображений недвижимости с использованием трансферного обучения
Агенты по недвижимости тратят много времени на просеивание огромных объемов графических данных, чтобы определить, какие из них использовать в рекламе недвижимости. Это задача классификации изображений недвижимости, цель которой состоит в том, чтобы классифицировать изображения с соответствующими классами с высокой точностью.
Это сквозное тематическое исследование классификатора изображений недвижимости, включая создание модели.
Бизнес-проблема:
Размещение фотографий является..
Раскрытие возможностей трансферного обучения: как оно может революционизировать искусственный интеллект
Источник изображения: FreeImages
Меня как энтузиаста ИИ всегда интересовала концепция трансферного обучения. Трансферное обучение — это мощная техника, которая может произвести революцию в области искусственного интеллекта. В этой статье я поделюсь своим мнением о трансферном обучении, его преимуществах, типах, методах, алгоритмах, реальных приложениях, проблемах, ограничениях, будущих разработках и его влиянии на промышленность и бизнес.
Введение в трансферное обучение..
Трансферное обучение: что это такое, как оно работает и чем может помочь?
Что такое трансферное обучение?
Проще говоря, трансферное обучение использует алгоритм, который уже был обучен для решения другой, но связанной проблемы. Мы пытаемся использовать то, что уже узнали, чтобы помочь нашему алгоритму легче обобщать отношения между данными. Вместо того, чтобы обучать алгоритм с нуля на том, что данных может быть недостаточно для получения хорошего прогноза, почему бы не использовать алгоритм, который уже был предварительно обучен на миллионах изображений?..
КЛАССИФИКАЦИЯ ПОРОД ОБЕЗЬЯН С ИСПОЛЬЗОВАНИЕМ ПЕРЕДАЧИ ОБУЧЕНИЯ — С ИСХОДНЫМ КОДОМ — САМОЕ ПРОСТОЕ ОБЪЯСНЕНИЕ КОДА…
В сегодняшнем блоге мы будем использовать трансферное обучение для реализации нашего сегодняшнего проекта — классификации пород обезьян. Трансферное обучение — это просто использование уже обученной модели для нашего текущего варианта использования. В этом случае мы будем использовать Mobilenet, предварительно обученный на Imagenet. Так что без каких-либо дополнительных должностей.
Прочитайте полную статью с исходным кодом здесь —..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..