imageclassification

Практическая классификация изображений с керасом:

• Привет, Колаб
• Классификация изображений
• Предварительная функция Vizualization
• Передача обучения
• Поиск изображений на основе функций

---

01 hellocolab.ipynb

Основная колаб Демо

---

02 ImageClassification.ipynb

В этом коде мы собираемся реализовать базовый классификатор изображений:

• Загрузите набор данных (написанные цифры MNIST)
• Разработать модель глубокого обучения и осмотреть ее учручимые параметры
• Обучить модель на учебные данные и осмотреть кривые обучения
• Оценить обученную модель на данных о никогда не наблюдаемом тестировании
• Сохраните модель для последующего использования
• Загрузить и использовать модель

---

03 Предварительно подготовленные функции. IPYNB

В этом коде мы собираемся загрузить предварительно проведенные сети классификации изображений

• Resnet50
• VGG16
• VGG19

Затем, используя предварительную сеть , извлечение функций и визуализация проводится через T-SNE

---

04 Transferlearning.ipynb

В обучении Transfer мы хотели бы использовать знания, изученные исходной задачей, чтобы помочь изучить другую целевую задачу. Например, хорошо обученная, богатая сеть классификации изображений может быть использована для другой задачи, связанной с целевым изображением. Другой пример, знания, изученные сетью, обученной в моделируемой среде, могут быть переданы в сеть для реальной среды. По сути, есть два основных сценария для обучения трансферу нейронных сетей:

• Извлечение функций
• Тонкая настройка

Хорошо известным примером для обучения передачи является загрузка уже обученной крупномасштабной классификационной сети VGG, которая способна классифицировать изображения в один из 1000 классов, и использовать ее для другой задачи, такой как классификация специальных медицинских изображений.

---

05 factionBasedImagesearch.ipynb

Поисковые системы изображения: вообще говоря, поисковая система обычно требует запроса и возвращает результаты. Поисковые системы изображения принимают входное изображение в качестве запроса изображения, затем поисковая система изображения находит «аналогичные» изображения в своей индексированной базе данных и возвращает их в качестве результата поиска. Как измерить сходство между двумя изображениями?

• Пространство пикселей : Один простой способ измерить евклидово расстояние между двумя изображениями в пиксельном пространстве. Соответственно, если два изображения имеют общие или близкие значения для соответствующих пикселей, считаются «аналогичными». Это может работать несколько раз, однако изображения дельфина и воздушной плоскости с синим фоном будут считаться одинаковыми с точки зрения пикселей, и мы этого не хотим!
• Пространство функций : Другой подход заключается в том, чтобы использовать пространство функций вместо пиксельного пространства при вычислении евклидово расстояния между двумя изображениями. Другими словами, проецируйте изображения в пространство, где изображения с похожими функциями близки друг к другу. В этом пространстве дельфины и самолеты разделены, несмотря на сходство уровня пикселей.