Girdi görüntünü hazırlama

Orijinal ResNet50 modeli, 224 x 224 piksel boyutunda görüntüler ve birkaç önişleme adımıyla eğitildi; örneğin, tüm eğitim görüntüleri için eğitim kümesindeki ortalama piksel değerinin çıkarılması gibi. Tahmin yapmak istediğin görüntüleri de aynı şekilde önişlemden geçirmen gerekir.

Tek bir görüntü üzerinde tahmin yaparken, görüntünün modelin girdi şekline uyması gerekir; bu da şu biçimdedir: (batch-size, width, height, channels). axis = 0 parametresiyle np.expand_dims, batch-size boyutunu ekler; bu da tek bir görüntünün tahmine gönderileceğini temsil eder. Sadece bir görüntü üzerinde tahmin yaptığımız için bu batch-size değeri 1'dir.

Bu köpeğin (adı Ivy) görüntüsünü ResNet50 tarafından sınıflandırılabilecek hale getirirken bu önişleme adımlarını uygulayacaksın.

Bu egzersiz

Keras ile Deep Learning'e Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

tensorflow.keras.preprocessing içinden image ve tensorflow.keras.applications.resnet50 içinden preprocess_input öğelerini içe aktar.
Görüntüyü modelin için doğru target_size ile yükle.
image.img_to_array() ile bir diziye çevir.
img_expanded öğesini, orijinal ResNet50 eğitim görüntülerinin işlendiği şekilde preprocess_input() ile önişle.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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 = ____(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

Keras ile Deep Learning'e Giriş

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Tensörler, katmanlar ve otomatik kodlayıcılar Exercise 2: Tensörlerin akışı Exercise 3: Nöral ayrım Exercise 4: Bir otomatik kodlayıcı (autoencoder) oluşturma Exercise 5: Bir otomatik kodlayıcı gibi gürültü giderme Exercise 6: CNN’lere Giriş Exercise 7: Bir CNN modeli oluşturma Exercise 8: Evrişimlere yakından bakmak Exercise 9: Girdi görüntünü hazırlama

Geçerli Egzersiz

Exercise 10: Gerçek dünya modelini kullanma Exercise 11: LSTM’lere Giriş Exercise 12: LSTM'lerle metin tahmini Exercise 13: LSTM modelini kur Exercise 14: Tahminlerini çözümle Exercise 15: Modelini test et!Exercise 16: Bitti!