Je voulais connaître la vérité de l'image chez Colaboratory, mais il était difficile de collecter des informations à divers endroits. J'ai donc décidé de ** coller le produit fini tel quel **. Python Pour ceux qui comprennent en quelque sorte.
Ne pas https://colab.research.google.com/drive/1ETjxVKCA3zv391tEAY5RHM_cyipIA9D-?hl=ja
Je ne pense pas que quiconque puisse l'utiliser tel quel, mais j'espère que cela aidera quelqu'un. ** Je l'ai fait sans être familier avec Jupyter-notebook ou Python, donc j'espère que vous pourrez signaler quelque chose. ** **
C'est ce que je voulais faire.
--Utiliser Colaboratory ――Je veux apprendre la vérité de l'image --L'apprentissage en profondeur
Écrivez une explication de ce que vous faites facilement. Accédez à Colaboratory et consultez le code.
Montez Google Drive. Comme vous pouvez le voir. Il semble que GitHub soit souvent utilisé dans le monde. Avec GoogleDrive, l'authentification est gênante à chaque fois.
Extrayez le fichier ZIP des données d'entraînement sur Google Drive sur le disque. Il est possible de lire chaque image des données d'entraînement depuis Google Drive, mais c'est lent. En effet, il est beaucoup plus rapide de créer un fichier ZIP, de tout extraire sur le disque, puis de le lire à partir du disque.
Je voulais que les données d'entraînement et les données de test aient le même nombre de vérités, j'ai donc créé un générateur generate_paths qui retourne les chemins d'images en alternance avec la vérité tout en mélangeant.
C'est,
0-1, 0-2, 0-3, 0-4, 0-5 comme faux
Comme vrai 1-1, 1-2, 1-3, 1-4, 1-5
En supposant qu'il y avait 10 images de
0-3, 1-5, 0-1, 1-1, 0-2, 1-3, 0-4, 1-4, 0-5, 1-2
Retourne comme.
Cela aurait pu être plus facile à comprendre si vous avez mélangé la liste normalement sans utiliser de générateur.
Dans la méthode load_data, les images sont en fait lues et transformées en tableau. La plupart des images traitées cette fois-ci ont un fond blanc, je les ai donc réglées sur «1 --X / 255» et je les ai inversées en virgule flottante de 0 à 1. C'est à peu près 0, et parfois il y a un 1.
Il y a aussi des images couleur, donc le nombre de canaux d'entrée est de 3.
Je ferai de mon mieux pour apprendre. N'oubliez pas de sauvegarder le temps que vous avez terminé pour savoir quand vous avez fini d'apprendre.
import datetime
tz_jst = datetime.timezone(datetime.timedelta(hours=9), name="JST")
now = datetime.datetime.now(tz_jst)
str_now = now.strftime("%Y/%m/%d %H:%M:%S")
print(f"La formation est terminée{str_now}")
Enregistrez le modèle entier et son architecture.
Affichez-le à l'écran avec % matplotlib inline et enregistrez-le dans Google Drive.
Colaboratory, GPU, etc. sont très pratiques à utiliser gratuitement. Ce serait bien de pouvoir y accéder de n'importe où, même depuis un iPhone. Cependant, il est triste que le GPU et le TPU ne puissent pas être utilisés pendant la journée.
Concernant le résultat d'apprentissage, la précision, supérieure à 0,7 ... J'ai essayé divers essais et erreurs, mais c'est un peu subtil ... Je ne peux pas dire quelles sont les données d'entraînement, mais je pense que les données d'entraînement sont mauvaises (ou plutôt mauvaises) pour ce résultat.
Recommended Posts