Preparando sua imagem de entrada

O modelo ResNet50 original foi treinado com imagens de tamanho 224 x 224 pixels e várias operações de pré-processamento, como a subtração do valor médio do pixel no conjunto de treinamento para todas as imagens de treinamento. Você precisa pré-processar as imagens que deseja prever da mesma forma.

Ao fazer a previsão em uma única imagem, você precisa que ela se ajuste à forma de entrada do modelo, que, neste caso, tem a seguinte aparência: (batch-size, width, height, channels),np.expand_dims com o parâmetro axis = 0 adiciona a dimensão batch-size, representando que uma única imagem será passada para a previsão. Esse valor de dimensão de tamanho de lote é 1, pois estamos prevendo apenas uma imagem.

Você passará por essas etapas de pré-processamento ao preparar a imagem desse cão (chamado Ivy) para ser classificada pelo ResNet50.

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

Instruções de exercício

Importe image de tensorflow.keras.preprocessing e preprocess_input de tensorflow.keras.applications.resnet50.
Carregue a imagem com o endereço target_size correto para seu modelo.
Transforme-o em uma matriz com image.img_to_array().
Pré-processe img_expanded da mesma forma que as imagens de treinamento originais do ResNet50 foram processadas com preprocess_input().

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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 = ____(____)

Editar e executar código

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

IntermediárioNível de habilidade

4.8+

Iniciar curso gratuitamente

Neste primeiro capítulo, você será apresentado às redes neurais, entenderá que tipos de problemas elas podem resolver e quando usá-las. Você também criará várias redes e salvará a Terra treinando um modelo de regressão que aproxima a órbita de um meteoro que está se aproximando de nós!

Exercise 1: O que é o Keras?Exercise 2: Descrevendo o Keras Exercise 3: Você usaria a aprendizagem profunda?Exercise 4: Sua primeira rede neural Exercise 5: Olá, redes!Exercise 6: Parâmetros de contagem Exercise 7: Construa como mostrado!Exercise 8: Sobrevivendo à queda de um meteoro Exercise 9: Especificação de um modelo Exercise 10: Treinamento Exercise 11: Prevendo a órbita!

Ao final deste capítulo, você saberá como resolver problemas binários, de várias classes e de vários rótulos com redes neurais. Tudo isso resolvendo problemas como detectar notas de dólar falsas, decidir quem jogou qual dardo em um tabuleiro e criar um sistema inteligente para regar sua fazenda. Você também poderá traçar métricas de treinamento de modelos e interromper o treinamento e salvar seus modelos quando eles não melhorarem mais.

Exercise 1: Classificação binária Exercise 2: Explorando notas de dólar Exercise 3: Um modelo de classificação binária Exercise 4: Essa nota de dólar é falsa?Exercise 5: Classificação multiclasse Exercise 6: Um modelo de várias classes Exercise 7: Prepare seu conjunto de dados Exercise 8: Treinamento em lançadores de dardos Exercise 9: Previsões da Softmax Exercise 10: Classificação com vários rótulos Exercise 11: Uma máquina de irrigação Exercise 12: Treinamento com vários rótulos Exercise 13: Retornos de chamada do Keras Exercise 14: A chamada de retorno do histórico Exercise 15: Interrupção antecipada do modelo Exercise 16: Uma combinação de retornos de chamada

Nos capítulos anteriores, você treinou muitos modelos! Agora você aprenderá a interpretar as curvas de aprendizagem para entender seus modelos à medida que eles são treinados. Você também visualizará os efeitos das funções de ativação, tamanhos de lote e normalização de lote. Por fim, você aprenderá a executar a otimização automática de hiperparâmetros nos modelos do Keras usando o sklearn.

Exercise 1: Curvas de aprendizado Exercise 2: Aprendendo os dígitos Exercise 3: O modelo está se ajustando demais?Exercise 4: Precisamos de mais dados?Exercise 5: Funções de ativação Exercise 6: Diferentes funções de ativação Exercise 7: Comparação de funções de ativação Exercise 8: Comparação de funções de ativação II Exercise 9: Tamanho do lote e normalização do lote Exercise 10: Alteração do tamanho dos lotes Exercise 11: Normalização em lote de um modelo conhecido Exercise 12: Efeitos da normalização de lotes Exercise 13: Ajuste de hiperparâmetros Exercise 14: Preparação de um modelo para ajuste Exercise 15: Ajuste dos parâmetros do modelo Exercise 16: Treinamento com validação cruzada

Chegou a hora de você conhecer as arquiteturas mais avançadas! Você criará um autocodificador para reconstruir imagens com ruído, visualizará ativações de redes neurais convolucionais, usará modelos profundos pré-treinados para classificar imagens e aprenderá mais sobre redes neurais recorrentes e como trabalhar com texto ao criar uma rede que prevê a próxima palavra em uma frase.

Exercise 1: Tensores, camadas e autoencodificadores Exercise 2: É um fluxo de tensores Exercise 3: Separação neural Exercise 4: Criação de um codificador automático Exercise 5: Eliminação de ruído como um codificador automático Exercise 6: Introdução ao site CNNs Exercise 7: Criando um modelo CNN Exercise 8: Observando as convoluções Exercise 9: Preparando sua imagem de entrada

Exercício atual

Exercise 10: Usando um modelo do mundo real Exercise 11: Introdução ao site LSTMs Exercise 12: Previsão de texto com LSTMs Exercise 13: Crie seu modelo LSTM Exercise 14: Decodifique suas previsões Exercise 15: Teste seu modelo!Exercise 16: Você está pronto!