ML Practicum: klasyfikacja obrazów
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Wykorzystanie wytrenowanych modeli
Trenowanie splotowej sieci neuronowej w celu wykonania zadań związanych z klasyfikacją obrazów zwykle wymaga bardzo dużej ilości danych treningowych i może być bardzo czasochłonne, a czasem nawet kilka dni lub nawet tygodni. A gdyby można było wykorzystać istniejące modele obrazów wytrenowane na ogromnych zbiorach danych, na przykład TensorFlow-Slim, i dostosować je do własnych zadań związanych z klasyfikacją?
Jedną z powszechnie stosowanych metod wykorzystania wytrenowanych modeli jest wyodrębnianie cech: pobieranie przedstawień pośrednich wytrenowanych przez model, a następnie wprowadzanie ich do nowego modelu jako danych wejściowych. Jeśli na przykład
trenujesz model klasyfikacji obrazów, aby rozróżniać różne rodzaje warzyw, możesz trenować obrazy marchewek, seleru itp. w wytrenowanym modelu, który zbiera z ostatecznych informacji o sprzęcie, które zbiera wszystkie informacje o obrazie, większe cechy, kolor, teksturę, kształt i funkcję, Aby zwiększyć wydajność przy wyodrębnianiu cech z użyciem wytrenowanego modelu, inżynierowie często dopasowują parametry wagi stosowane do wyodrębnionych funkcji.
Więcej informacji o wyodrębnianiu funkcji i dostrajaniu w przypadku korzystania z już wytrenowanych modeli znajdziesz w poniższym ćwiczeniu.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 2022-09-27 UTC."],[],[]]
