Lerne, wie man Convolutional Neural Networks in Python benutzt

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.

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.

Entdecke Keras CNNs

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.

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.

Erstell dein eigenes Keras-Neuralnetzwerk

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.

Berechne die Größe der Ausgabe der Faltungsschicht.

Interaktive praktische Übung