Convolutional Neural Networks (CNNs) nutzen die in Bildern enthaltenen Daten, um zu lernen. In diesem Kapitel schauen wir uns Daten in Bildern an und lernen, wie man mit Keras ein neuronales Netzwerk trainiert, um Objekte in Bildern zu erkennen. 

Einführung in Convolutional Neural Networks (CNN)

Bilder als Daten: Visualisierungen

Bilder als Daten: Bilder im Wandel

Bilder sortieren

Bilder mit One-Hot-Kodierung darstellen

Einen Klassifikator bewerten

Klassifizierung mit Keras

Ein neuronales Netzwerk aufbauen

Ein neuronales Netzwerk zusammenstellen

Ein neuronales Netzwerkmodell an Kleidungsdaten anpassen

Kreuzvalidierung für die Bewertung neuronaler Netze

Bildverarbeitung mit neuronalen Netzen

Faltungsnetzwerke sind die grundlegenden Bausteine von Faltungsneuronalen Netzen. In diesem Kapitel lernst du Faltungen kennen und wie sie mit Bilddaten funktionieren. Du wirst auch sehen, wie du Faltungen in Keras-Neuralnetzwerke einbaust. 

Faltungen

Eindimensionale Faltungen

Bildverzerrungen

Bildkonvolutionskerne definieren

Bildkonvolutionen in Keras umsetzen

Faltungsnetzwerk für die Bildklassifizierung

Ein CNN trainieren, um Kleidungsarten zu klassifizieren

Ein CNN mit Testdaten checken

Deine Faltungen optimieren

Füge eine Polsterung zu einem CNN hinzu

Füge einem Faltungsnetzwerk Schritte hinzu

Berechne die Größe der Ausgabe der Faltungsschicht.

Verwendung von Faltungen

Convolutional Neural Networks werden richtig stark, wenn sie aus mehreren Schichten bestehen (Deep Networks). In diesem Kapitel lernst du, wie du mehrere Faltungs-Schichten in einem tiefen Netzwerk stapeln kannst. Außerdem lernst du, wie du die Anzahl der Parameter im Auge behalten kannst, wenn das Netzwerk wächst, und wie du diese Anzahl kontrollieren kannst.

Tiefer eintauchen

Ein Deep-Learning-Netzwerk aufbauen

Trainiere ein tiefes CNN, um Bilder von Kleidungsstücken zu klassifizieren.

Was ist das Besondere an einem tiefen Netzwerk?

Wie viele Parameter?

Wie viele Parameter hat ein CNN?

Wie viele Parameter hat ein tiefes CNN?

Pooling-Vorgänge

Schreib deine eigene Pooling-Operation

Keras-Pooling-Schichten

Trainiere ein tiefes CNN mit Pooling, um Bilder zu klassifizieren.

Es gibt viele Möglichkeiten, das Training mit neuronalen Netzen zu verbessern. In diesem Kapitel schauen wir uns an, wie wir die Leistung eines Netzwerks verfolgen können, und probieren ein paar Ansätze aus, um Convolutional Neural Networks zu verbessern.

Lernen verfolgen

Zeichne die Lernkurven auf.

Verwendung gespeicherter Gewichte zur Vorhersage in einem Testsatz

Regulierung

Dropout zum Netzwerk hinzufügen

Füge Batch-Normalisierung zu deinem Netzwerk hinzu

Das Modell verstehen

Extrahieren eines Kerns aus einem trainierten Netzwerk

Form der Gewichte

Kernel-Reaktionen anschaulich machen

Was kommt als Nächstes?

Tiefe Faltungsnetzwerke verstehen und verbessern

Bildmodellierung braucht oft Deep-Learning-Methoden, die mit Daten neuronale Netzwerkalgorithmen für verschiedene Aufgaben im maschinellen Lernen trainieren. Convolutional Neural Networks (CNNs) sind echt starke neuronale Netze, die du zum Klassifizieren verschiedener Objekttypen für die Analyse von Bildern verwenden kannst. In diesem vierstündigen Kurs lernst du, wie du CNNs mit Keras aufbaust, trainierst und bewertest.

<h2>Lerne, wie man Convolutional Neural Networks in Python benutzt</h2>

  Bildmodelle brauchen oft Deep-Learning-Methoden, die mit Daten neuronale Netze trainieren.

  Netzwerkalgorithmen für verschiedene Aufgaben im Bereich des maschinellen Lernens. Faltungsneuronales Netzwerk

  Netzwerke (CNNs) sind besonders leistungsstarke neuronale Netzwerke, die du verwenden wirst, um

  verschiedene Arten von Objekten für die Bildanalyse sortieren. Dieser vierstündige

  In diesem Kurs lernst du, wie du CNNs mit Keras aufbaust, trainierst und bewertest.

  <br><br>

  Bilder in Daten umwandeln und neuronalen Netzwerken beibringen, diese zu klassifizieren, ist eine

  Herausforderndes Element des Deep Learning mit vielen Anwendungsmöglichkeiten

  Geschäft und Forschung, von der Unterstützung einer E-Commerce-Website bei der Bestandsverwaltung bis hin zu

  ganz einfach, damit Krebsforscher gefährliche Melanome schnell erkennen können.

  <br><br>

  <h2>Entdecke Keras CNNs</h2>

  Das erste Kapitel dieses Kurses geht drauf ein, wie Bilder als Daten gesehen werden können, und

  wie du mit Keras ein neuronales Netzwerk trainieren kannst, um Objekte zu klassifizieren, die in

  Bilder.

  <br><br>

  Das zweite Kapitel geht auf Faltungen ein, die ein wichtiger Teil von CNNs sind. Das erreichst du,

  Lerne, wie sie mit Bilddaten arbeiten, und finde heraus, wie du deine Modelle trainieren und optimieren kannst.

  Keras CNN mit Testdaten. In den nächsten Kapiteln geht's genauer ins Detail und du lernst

  Wie man ein Deep-Learning-Netzwerk aufbaut.

  <br><br>

  <h2>Erstell dein eigenes Keras-Neuralnetzwerk</h2>

  Am Ende des Kurses lernst du verschiedene Möglichkeiten kennen, wie du deinen Lernfortschritt auf dem Lernpfad verfolgen kannst.

  Wie gut CNN arbeitet und wie du ihre Leistung verbessern kannst. An dieser Stelle

  Du kannst Keras-Neuralnetzwerke erstellen, optimieren und visualisieren.

  ihre Antworten in verschiedenen Anwendungsbereichen.

Introduction to Deep Learning with Keras

Lerne, Bilddaten mit Keras in Python zu analysieren, indem du CNNs erstellst, trainierst und bewertest.

Bildmodellierung mit Keras

Lerne, wie du mit Keras und Python Bilder analysierst, indem du Faltungsneuronale Netze aufbaust, trainierst und bewertest. 

Faltungen

Create Your Free Account