Tutoriel CIFAR-10 avec Keras

Remarquer

** J'ai publié le contenu du tutoriel dans cet article jusqu'à présent, mais comme il sera volumineux et qu'il sera difficile de le mettre à jour deux fois, veuillez vous référer à la note sur Github pour plus de détails. Je pense que ce serait mieux car je pense que je peux suivre les derniers contenus. De plus, nous continuerons à vous informer des mises à jour sur Github sur cette page. ** **

Le référentiel est ici Si vous souhaitez voir uniquement le contenu du didacticiel, veuillez cliquer ici Si vous trouvez des erreurs dans le contenu du tutoriel, veuillez les signaler dans les commentaires sur l'article ou sur la page de problème de Github.

-- Tutoriel CIFAR-10: Contenu de cet article --Tutoriel CIFAR-10 [Annexe]: Un petit conseil --Tutoriel CIFAR-10 [Apprentissage par transfert]: A propos de l'apprentissage par transfert avec CIFAR-10. Je pourrais écrire un article un jour. --Comment utiliser le package dlt /: Une brève explication sur la façon d'utiliser le package dlipr en utilisant Fashion-MNIST --results /: Enregistrez la sortie duTutoriel CIFAR-10 --ʻImages / `: enregistrer des exemples d'images et d'autres images

Journal des modifications

--2018 / 02/03: Le tutoriel est maintenant disponible en tant que site Web sans avoir à le cloner depuis Github.

Tutoriel CIFAR-10

1.Tout d'abord

Ce tutoriel traite d'un problème de classification d'images appelé CIFAR-10. CIFAR-10 se compose de 50 000 données d'image couleur 32x32 pixels et de 10 étiquettes pour le classer: avion, voiture, oiseau, chat, cerf, chien, grenouille, cheval, bateau, camion. .. Il existe également un CIFAR-100, qui est classé en étiquettes plus subdivisées, et il a 100 étiquettes. Les deux sont fondamentalement les mêmes, donc cette fois j'utiliserai CIFAR-10.

Utilisez également Keras pour l'implémentation. Keras ne peut pas être utilisé pour l'apprentissage non supervisé, mais je pense que Keras est suffisant pour traiter les problèmes d'apprentissage automatique typiques qui représentent CIFAR-10 et MNIST. De plus, Keras est très facile à implémenter pour les réseaux simples (pas seulement les réseaux à sens unique, mais les branchements, les RNN, etc.), donc même les débutants (plutôt que le Tensorflow brut) Je pense qu'il est facile de comprendre ce que vous faites. Ce tutoriel explique également comment implémenter Keras (bien que ce soit facile), afin que même ceux qui ne connaissent pas Keras puissent le lire. Si vous êtes bloqué, veuillez vous référer au Document officiel.

Ce tutoriel est basé sur ce que j'ai appris lors d'une conférence universitaire, j'ai donc ajouté des explications supplémentaires là où il m'a fallu beaucoup de temps pour comprendre. Je ne peux pas nier que c'est globalement redondant, mais je pense qu'il serait utile que les personnes ayant des problèmes similaires le quittent.

Fonctionnalités de ce tutoriel

--Ce qu'il ne faut pas faire ―― Qu'est-ce que l'apprentissage automatique? --À propos de Tensorflow --Améliorer la précision (par exemple, comment régler les hyper paramètres)

Recommended Posts

Tutoriel CIFAR-10 avec Keras
Reconnaissance d'image avec keras
Présentation du modèle DCGAN pour Cifar 10 avec keras
LSTM multivarié avec Keras
Apprenez librosa avec un tutoriel 1
Installation de Keras (utilisée par Anaconda)
Analyse de régression multiple avec Keras
Notes AutoEncodder avec Keras
Implémentation de word2vec avec Theano + Keras
Réglage des paramètres Keras avec Keras Tuner
Lancez-vous avec Django! ~ Tutoriel ④ ~
Lancez-vous avec Django! ~ Tutoriel ⑥ ~
Créez facilement des CNN avec Keras
Implémentation d'un GAN efficace avec keras
[Keras] 75% de précision avec l'ensemble de données CIFAR10
Reconnaissance d'image avec Keras + OpenCV
MNIST (DCNN) avec Keras (backend TensorFlow)
[Tutoriel PyTorch ⑤] Apprentissage de PyTorch avec des exemples (Partie 2)
Prédire le Titanic de Kaggle avec Keras (Kaggle ⑦)
[TensorFlow] [Keras] Construction d'un réseau neuronal avec Keras
Implémenter Keras LSTM feed forward avec numpy
Comparez DCGAN et pix2pix avec Keras
Implémentation Score-CAM avec keras. Comparaison avec Grad-CAM
Prédiction de l'onde de péché avec keras
Débutant RNN (LSTM) | Essayer avec Keras
[Tutoriel PyTorch ⑤] Apprentissage de PyTorch avec des exemples (Partie 1)
Écrire Reversi AI avec Keras + DQN
Didacticiel complémentaire de Blender avec Hy
4/22 prédiction de l'onde de péché avec keras
Automatisation de l'optimisation des paramètres avec Keras avec GridSearch CV
[Didacticiel d'analyse Python en base de données avec SQL Server 2017]
Essayez d'implémenter XOR avec l'API fonctionnelle Keras
Comparez le TensorFlow brut avec tf.contrib.learn et Keras
Tentative de classification des polices de pictogrammes avec Keras
Exécutez Keras avec le backend CNTK à partir de CentOS
Reconnaissance faciale des personnages d'anime avec Keras
Réglage des hyper paramètres avec Grid Search à l'aide de pipeline avec keras
Hamburgers et vélos ImageNet classés par Keras
Utilisez TPU et Keras avec Google Colaboratory