Faltningsnätverk lär sig av den data som finns representerad i bilder. I det här kapitlet undersöker vi data i bilder och lär oss hur man använder Keras för att träna ett neuralt nätverk att klassificera objekt som förekommer i bilder.

Introduktion till konvolutionella neurala nätverk

Bilder som data: visualiseringar

Bilder som data: att modifiera bilder

Klassificering av bilder

Använda one-hot-kodning för att representera bilder

Utvärdera en klassificerare

Klassificering med Keras

Bygg ett neuralt nätverk

Kompilera ett neuralt nätverk

Anpassa en neural nätverksmodell till kläddata

Korsvalidering för utvärdering av neurala nätverk

Bildbehandling med neurala nätverk

Faltningar är de grundläggande byggstenarna i faltningsnätverk. I det här kapitlet introduceras du till faltningar och lär dig hur de fungerar på bilddata. Du får också se hur du integrerar faltningar i neurala nätverk med Keras.

Faltningar

Endimensionella konvolutioner

Bildkonvolutioner

Definiera bildkonvolutionskärnor

Implementera bildkonvolutioner i Keras

Konvolutionsnätverk för bildklassificering

Träna ett CNN för att klassificera klädtyper

Utvärdera ett CNN med testdata

Finjustera dina faltningar

Lägg till utfyllnad i ett CNN

Lägg till strides i ett konvolutionsnätverk

Beräkna storleken på utdata från ett konvolutionslager

Att använda faltningar

Faltningsnätverk blir mycket kraftfullare när de byggs upp med flera lager – så kallade djupa nätverk. I det här kapitlet lär du dig att stapla flera faltningslager till ett djupt nätverk. Du lär dig också att hålla koll på antalet parametrar när nätverket växer, och hur du kan styra detta antal.

Går djupare

Skapa ett djupt neuralt nätverk

Träna ett djupt CNN för att klassificera bilder på kläder

Vad är speciellt med ett djupt nätverk?

Hur många parametrar?

Hur många parametrar har ett CNN?

Hur många parametrar har ett djupt CNN?

Poolingoperationer

Skriv din egen poolningsoperation

Poolinglager i Keras

Träna ett djupt CNN med poolning för att klassificera bilder

Djupare nätverk

Det finns många sätt att förbättra träningen av neurala nätverk. I det här kapitlet fokuserar vi på hur vi kan följa nätverkets prestanda och utforskar olika metoder för att förbättra faltningsnätverk.

Följa inlärningen

Plotta inlärningskurvorna

Använd sparade vikter för att göra förutsägelser på en testmängd

Regularisering

Lägga till dropout i ditt nätverk

Lägg till batchnormalisering i ditt nätverk

Tolka modellen

Extrahera en kernel från ett tränat nätverk

Vikternas form

Visualisera kernelsvar

Nästa steg

Att förstå och förbättra djupa faltningsnätverk

Bildmodellering kräver ofta djupinlärningsmetoder som använder data för att träna neurala nätverksalgoritmer för olika maskininlärningsuppgifter. Faltningsnätverk (CNN:er) är särskilt kraftfulla neurala nätverk som du kommer att använda för att klassificera olika typer av objekt vid bildanalys. Den här fyratimmarskursen lär dig hur du konstruerar, tränar och utvärderar CNN:er med Keras.

<h2>Lär dig använda konvolutionella neurala nätverk i Python</h2>
  Bildmodellering kräver ofta djupinlärningsmetoder som använder data för att träna neurala
  nätverksalgoritmer för att utföra olika maskininlärningsuppgifter. Konvolutionellt neuralt nätverk
  nätverk (CNN:er) är särskilt kraftfulla neurala nätverk som du kommer att använda för att
  klassificera olika typer av objekt för bildanalys. Denna fyra timmar långa
  kursen kommer att lära dig hur du bygger, tränar och utvärderar CNN:er med Keras.
  <br><br>
  Att omvandla bilder till data och lära neurala nätverk att klassificera dem är en
  utmanande del av deep learning med omfattande tillämpningar inom hela
  affärer och forskning, från att hjälpa en e-handelswebbplats att hantera lager mer
  lätt för att göra det möjligt för cancerforskare att snabbt upptäcka farligt melanom.
  <br><br>
  <h2>Upptäck Keras CNN:er</h2>
  Det första kapitlet i den här kursen handlar om hur bilder kan ses som data, och
  hur du kan använda Keras för att träna ett neuralt nätverk för att klassificera objekt som finns i
  bilder.
  <br><br>
  Det andra kapitlet kommer att behandla konvolutioner, en grundläggande del av CNN:er. Du kommer att
  lär dig hur de fungerar på bilddata och lär dig hur du tränar och justerar din
  Keras CNN med testdata. Senare kapitel går in mer i detalj och lär dig
  hur man skapar ett djupt neuralt nätverk.
  <br><br>
  <h2>Bygg ditt eget Keras-neurala nätverk</h2>
  Du avslutar kursen med att lära dig de olika sätt som du kan följa hur
  väl, vad en CNN gör och hur du kan förbättra dess prestanda. Vid det här laget,
  du kommer att kunna bygga Keras-neurala nätverk, optimera dem och visualisera
  deras svar i en rad olika tillämpningar.

Introduction to Deep Learning with Keras

Lär dig använda djupinlärning för att analysera bilddata med Keras och Python genom att bygga CNN.

Bildmodellering med Keras

Lär dig utföra bildanalys med Keras och Python genom att bygga, träna och utvärdera konvolutionella neurala nätverk. 

Bildbehandling i Python

Keras-grunder

Beräkna storleken på utdata från ett konvolutionslager

Bildmodellering med Keras

Interaktiv övning med praktiskt arbete