Je invoerafbeelding voorbereiden

Het originele ResNet50-model is getraind met afbeeldingen van 224 x 224 pixels en een aantal preprocessing-bewerkingen; zoals het aftrekken van de gemiddelde pixelwaarde in de trainingsset voor alle trainingsafbeeldingen. Je moet de afbeeldingen waarop je wilt voorspellen op dezelfde manier voorbewerken.

Als je op één afbeelding voorspelt, moet die passen bij de inputvorm van het model, die er in dit geval zo uitziet: (batch-size, width, height, channels). np.expand_dims met parameter axis = 0 voegt de batch-size-dimensie toe, wat aangeeft dat er één afbeelding naar predict wordt doorgestuurd. Deze batch-size-waarde is 1, omdat we maar op één afbeelding voorspellen.

Je doorloopt deze preprocessing-stappen terwijl je de afbeelding van deze hond (Ivy) voorbereidt zodat ResNet50 haar kan classificeren.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Importeer image uit tensorflow.keras.preprocessing en preprocess_input uit tensorflow.keras.applications.resnet50.
Laad de afbeelding met de juiste target_size voor je model.
Zet hem om naar een array met image.img_to_array().
Voorverwerk img_expanded op dezelfde manier als de originele ResNet50-trainingsafbeeldingen met preprocess_input().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import image and preprocess_input
from tensorflow.keras.____ import ____
from tensorflow.keras.____.____ import ____

# Load the image with the right target size for your model
img = image.load_img(img_path, target_size=(____, ____))

# Turn it into an array
img_array = image.____(____)

# Expand the dimensions of the image, this is so that it fits the expected model input format
img_expanded = np.expand_dims(img_array, axis = 0)

# Pre-process the img in the same way original images were
img_ready = ____(____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

In this first chapter, you will get introduced to neural networks, understand what kind of problems they can solve, and when to use them. You will also build several networks and save the earth by training a regression model that approximates the orbit of a meteor that is approaching us!

Exercise 1: What is Keras?Exercise 2: Describing Keras Exercise 3: Would you use deep learning?Exercise 4: Your first neural network Exercise 5: Hello nets!Exercise 6: Counting parameters Exercise 7: Build as shown!Exercise 8: Surviving a meteor strike Exercise 9: Specifying a model Exercise 10: Training Exercise 11: Predicting the orbit!

By the end of this chapter, you will know how to solve binary, multi-class, and multi-label problems with neural networks. All of this by solving problems like detecting fake dollar bills, deciding who threw which dart at a board, and building an intelligent system to water your farm. You will also be able to plot model training metrics and to stop training and save your models when they no longer improve.

Exercise 1: Binary classification Exercise 2: Exploring dollar bills Exercise 3: A binary classification model Exercise 4: Is this dollar bill fake ?Exercise 5: Multi-class classification Exercise 6: A multi-class model Exercise 7: Prepare your dataset Exercise 8: Training on dart throwers Exercise 9: Softmax predictions Exercise 10: Multi-label classification Exercise 11: An irrigation machine Exercise 12: Training with multiple labels Exercise 13: Keras callbacks Exercise 14: The history callback Exercise 15: Early stopping your model Exercise 16: A combination of callbacks

In the previous chapters, you've trained a lot of models! You will now learn how to interpret learning curves to understand your models as they train. You will also visualize the effects of activation functions, batch-sizes, and batch-normalization. Finally, you will learn how to perform automatic hyperparameter optimization to your Keras models using sklearn.

Exercise 1: Learning curves Exercise 2: Learning the digits Exercise 3: Is the model overfitting?Exercise 4: Do we need more data?Exercise 5: Activation functions Exercise 6: Different activation functions Exercise 7: Comparing activation functions Exercise 8: Comparing activation functions II Exercise 9: Batch size and batch normalization Exercise 10: Changing batch sizes Exercise 11: Batch normalizing a familiar model Exercise 12: Batch normalization effects Exercise 13: Hyperparameter tuning Exercise 14: Preparing a model for tuning Exercise 15: Tuning the model parameters Exercise 16: Training with cross-validation

It's time to get introduced to more advanced architectures! You will create an autoencoder to reconstruct noisy images, visualize convolutional neural network activations, use deep pre-trained models to classify images and learn more about recurrent neural networks and working with text as you build a network that predicts the next word in a sentence.

Exercise 1: Tensors, lagen en auto-encoders Exercise 2: Het is een stroom van tensors Exercise 3: Neurale scheiding Exercise 4: Een autoencoder bouwen Exercise 5: Ontruisen als een autoencoder Exercise 6: Introductie tot CNN's Exercise 7: Een CNN-model bouwen Exercise 8: Kijken naar convoluties Exercise 9: Je invoerafbeelding voorbereiden

Huidige oefening

Exercise 10: Een model uit de echte wereld gebruiken Exercise 11: Introductie tot LSTM's Exercise 12: Tekstvoorspelling met LSTM's Exercise 13: Bouw je LSTM-model Exercise 14: Decodeer je voorspellingen Exercise 15: Test je model!Exercise 16: Je bent klaar!