Identifiez la chaîne YouTube de la vidéo Hikakin à partir d'images miniatures à l'aide de CNN

Aperçu

En parlant du meilleur YouTuber du Japon, c'est vrai HIKAKIN (ci-après dénommé "HIKAKIN"). Je l'aime aussi et je regarde des vidéos tous les jours.

Hikakin est HIKAKIN, HikakinTV, [HikakinGames](https: // www. Nous exploitons quatre canaux: youtube.com/user/HikakinGames) et HikakinBlog. Ici, j'ai pensé qu'il serait intéressant de pouvoir déterminer à quel canal appartient une vidéo en se basant uniquement sur les informations appelées images miniatures, je l'ai donc implémenté en utilisant l'apprentissage automatique.

Utilisez TensorFlow comme infrastructure d'apprentissage automatique. Ensuite, à partir de la collecte d'images, utilisez TensorFlow vers [CNN (Convolutional Neural Network)](https://ja.wikipedia.org/wiki/%E7%95%B3%E3%81%BF%E8%BE%BC%E3 % 81% BF% E3% 83% 8B% E3% 83% A5% E3% 83% BC% E3% 83% A9% E3% 83% AB% E3% 83% 8D% E3% 83% 83% E3% 83 Je voudrais présenter le flux de mise en œuvre du point de mise en œuvre% 88% E3% 83% AF% E3% 83% BC% E3% 82% AF) jusqu'au point de déduire réellement.

code

quanon/pykin

information sur la version

Python

Autres outils

procédure

couler

1. Obtenez l'URL de l'image miniature
2. Téléchargez l'image miniature
3. Divisez l'image en données d'entraînement et données de test
4. Sortie CSV qui associe les données à l'étiquette
5. Implémentez une classe qui représente le modèle CNN
6. Implémentez une fonction pour lire des images à partir de CSV
7. Apprenez le modèle CNN
8. Testez le modèle entraîné
9. Inférer avec le modèle entraîné

1. Obtenez l'URL de l'image miniature

code

fetch_urls.py

import os
import sys
from selenium import webdriver
from selenium.common.exceptions import StaleElementReferenceException, TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.ui import WebDriverWait

def fetch_urls(channel):
  driver = webdriver.Chrome()
  url = os.path.join('https://www.youtube.com/user', channel, 'videos')
  driver.get(url)

  while True:
    driver.execute_script('window.scrollTo(0, document.body.scrollHeight);')

    try:
      #Attendez que le bouton "Charger plus" soit cliquable.
      more = WebDriverWait(driver, 3).until(
        EC.element_to_be_clickable((By.CLASS_NAME, 'load-more-button'))
      )
    except StaleElementReferenceException:
      continue;
    except TimeoutException:
      break;

    more.click()

  selector = '.yt-thumb-default .yt-thumb-clip img'
  elements = driver.find_elements_by_css_selector(selector)
  src_list = [element.get_attribute('src') for element in elements]
  driver.quit()

  with open(f'urls/{channel}.txt', 'wt') as f:
    for src in src_list:
      print(src, file=f)

if __name__ == '__main__':
  fetch_urls(sys.argv[1])

La description

Utilisez Selenium pour interagir avec Google Chrome et collecter des URL pour les images miniatures.

Plus précisément, faites d'abord défiler l'écran jusqu'à ce que le bouton «Charger plus» en bas de l'écran disparaisse. Cela affichera toutes les images miniatures sur l'écran du navigateur. Après cela, récupérez la valeur de l'attribut src de tous les éléments img correspondant à l'image miniature et écrivez-la dans le fichier texte sous le répertoire ʻurls`.

Résultat d'exécution

$ python fetch_urls.py HikakinTV

$ wc -l urls/HikakinTV.txt
    2178 urls/HikakinTV.txt
$ head -n 3 urls/HikakinTV.txt
https://i.ytimg.com/vi/ieHNKaG1KfA/hqdefault.jpg?custom=true&w=196&h=110&stc=true&jpg444=true&jpgq=90&sp=67&sigh=tRWLF3Pa-fZrEa5XTmPeHyVORv4
https://i.ytimg.com/vi/bolTkMSMrSA/hqdefault.jpg?custom=true&w=196&h=110&stc=true&jpg444=true&jpgq=90&sp=67&sigh=a0_PeYpyB9RrOhb3ySd4i7nJ9P8
https://i.ytimg.com/vi/jm4cK_XPqMA/hqdefault.jpg?custom=true&w=196&h=110&stc=true&jpg444=true&jpgq=90&sp=67&sigh=VymexTRKLE_wQaYtSKqrph1okcA

2. Téléchargez l'image miniature

code

download.rb

import os
import random
import re
import sys
import time
from urllib.request import urlretrieve


def download(channel):
  with open(f'urls/{channel}.txt', 'rt') as f:
    lines = f.readlines()

  dir = os.path.join('images', channel)
  if not os.path.exists(dir):
    os.makedirs(dir)

  for url in lines:
    # https://i.ytimg.com/vi/ieHNKaG1KfA/hqdefault.jpg
    #Utilisez la partie ieHNKaG1KfA de l'URL comme nom d'image.
    name = re.findall(r'(?<=vi/).*(?=/hqdefault)', url)[0]
    path = os.path.join(dir, f'{name}.jpg')

    if os.path.exists(path):
      print(f'{path} already exists')
      continue

    print(f'download {path}')
    urlretrieve(url, path)
    time.sleep(1 + random.randint(0, 2))

if __name__ == '__main__':
  download(sys.argv[1])

La description

Après avoir lu le fichier texte sorti par fetch_urls.py, utilisez urlretrieve (). Téléchargez l'image miniature.

À propos, toutes les images miniatures téléchargées ont une taille unifiée à 196 x 110. Il devrait être facile à manipuler: blush

Résultat d'exécution

$ python download.py HikakinTV
download images/HikakinTV/1ngTnVb9oF0.jpg
download images/HikakinTV/AGonzpJtyYU.jpg
images/HikakinTV/MvwxFi3ypNg.jpg already exists
(Abréviation)

$ ls -1 images/HikakinTV | wc -l
    2178
$ ls -1 images/HikakinTV
-2DRamjx75o.jpg
-5Xk6i1jVhs.jpg
-9U3NOHsT1k.jpg
(Abréviation)

3. Divisez l'image en données d'entraînement et données de test

code

split_images.py

import glob
import numpy as np
import os
import shutil


def clean_data():
  for dirpath, _, filenames in os.walk('data'):
    for filename in filenames:
      os.remove(os.path.join(dirpath, filename))


def split_pathnames(dirpath):
  pathnames = glob.glob(f'{dirpath}/*')
  np.random.shuffle(pathnames)

  #référence:Ensemble de données avec NumPy(ndarray)Divisez en proportions arbitraires
  # http://qiita.com/QUANON/items/e28335fa0e9f553d6ab1
  return np.split(pathnames, [int(0.7 * len(pathnames))])


def copy_images(data_dirname, class_dirname, image_pathnames):
  class_dirpath = os.path.join('data', data_dirname, class_dirname)

  if not os.path.exists(class_dirpath):
    os.makedirs(class_dirpath)

  for image_pathname in image_pathnames:
    image_filename = os.path.basename(image_pathname)
    shutil.copyfile(image_pathname,
      os.path.join(class_dirpath, image_filename))


def split_images():
  for class_dirname in os.listdir('images'):
    image_dirpath = os.path.join('images', class_dirname)

    if not os.path.isdir(image_dirpath):
      continue

    train_pathnames, test_pathnames = split_pathnames(image_dirpath)

    copy_images('train', class_dirname, train_pathnames)
    copy_images('test', class_dirname, test_pathnames)

if __name__ == '__main__':
  clean_data()
  split_images()

La description

ʻImages / nom du canal Le fichier image téléchargé dans le répertoire est divisé au hasard en données d'entraînement et données de test. Plus précisément, les fichiers image dans le répertoire ʻimages / nom de canal doivent être stockés dans le répertoire data / train / nom de canal ou dans le répertoire données / test / nom de canal de sorte que le rapport entre les données d'entraînement et les données de test soit de 7: 3. Copier.

images/
　├ HIKAKIN/
　├ HikakinBlog/
　├ HikakinGames/
　└ HikakinTV/

　↓ train : test = 7 :Copier pour être 3

data/
　├ train/
　│　├ HIKAKIN/
　│　├ HikakinBlog/
　│　├ HikakinGames/
　│　└ HikakinTV/
　│
　└ test/
　 　├ HIKAKIN/
　 　├ HikakinBlog/
　 　├ HikakinGames/
　 　└ HikakinTV/

Résultat d'exécution

$ python split_images.py

$ find images -name '*.jpg' | wc -l
    3652
$ find data/train -name '*.jpg' | wc -l
    2555
$ find data/test -name '*.jpg' | wc -l
    1097

4. Sortie CSV qui associe les données à l'étiquette

code

config.py

from enum import Enum


class Channel(Enum):
  HIKAKIN = 0
  HikakinBlog = 1
  HikakinGames = 2
  HikakinTV = 3

LOG_DIR = 'log'

write_csv_file.py

import os
import csv
from config import Channel, LOG_DIR


def write_csv_file(dir):
  with open(os.path.join(dir, 'data.csv'), 'wt') as f:
    for i, channel in enumerate(Channel):
      image_dir = os.path.join(dir, channel.name)
      writer = csv.writer(f, lineterminator='\n')

      for filename in os.listdir(image_dir):
        writer.writerow([os.path.join(image_dir, filename), i])

if __name__ == '__main__':
  write_csv_file('data/train')
  write_csv_file('data/test')

La description

Il sera utilisé plus tard dans la formation et les tests pour charger des images et des étiquettes à l'aide de TensorFlow.

Résultat de sortie

$ python write_csv_file.py

$ cat data/train/data.csv
data/test/HIKAKIN/-c07QNF8lmM.jpg,0
data/test/HIKAKIN/0eHE-jfRQPo.jpg,0
(Abréviation)
data/train/HikakinBlog/-OtqlF5BMNY.jpg,1
data/train/HikakinBlog/07XKtHfni1A.jpg,1
(Abréviation)
data/train/HikakinGames/-2VyYsCkPZI.jpg,2
data/train/HikakinGames/-56bZU-iqQ4.jpg,2
(Abréviation)
data/train/HikakinTV/-5Xk6i1jVhs.jpg,3
data/train/HikakinTV/-9U3NOHsT1k.jpg,3
(Abréviation)
$ cat data/test/data.csv
data/test/HIKAKIN/-c07QNF8lmM.jpg,0
data/test/HIKAKIN/0eHE-jfRQPo.jpg,0
(Abréviation)
data/test/HikakinBlog/2Z6GB9JjV4I.jpg,1
data/test/HikakinBlog/4eGZtFhZWIE.jpg,1
(Abréviation)
data/test/HikakinGames/-FpYaEmiq1M.jpg,2
data/test/HikakinGames/-HFXWY1-M8M.jpg,2
(Abréviation)
data/test/HikakinTV/-2DRamjx75o.jpg,3
data/test/HikakinTV/-9zt1EfKJYI.jpg,3
(Abréviation)

5. Implémentez une classe qui représente le modèle CNN

code

cnn.py

import tensorflow as tf


class CNN:
  def __init__(self, image_size=48, class_count=2, color_channel_count=3):
    self.image_size = image_size
    self.class_count = class_count
    self.color_channel_count = color_channel_count

  #Fonction d'inférence.
  def inference(self, x, keep_prob, softmax=False):
    #Tf pour stocker les poids.Créez une variable.
    def weight_variable(shape):
      initial = tf.truncated_normal(shape, stddev=0.1)

      return tf.Variable(initial)

    #Tf pour stocker le biais.Créez une variable.
    def bias_variable(shape):
      initial = tf.constant(0.1, shape=shape)

      return tf.Variable(initial)

    #Pliez-le.
    def conv2d(x, W):
      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

    # [2x2]La mise en commun est effectuée avec la taille et la quantité de mouvement 2.
    def max_pool_2x2(x):
      return tf.nn.max_pool(x,
        ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1],
        padding='SAME')

    x_image = tf.reshape(
      x,
      [-1, self.image_size, self.image_size, self.color_channel_count])

    with tf.name_scope('conv1'):
      W_conv1 = weight_variable([5, 5, self.color_channel_count, 32])
      b_conv1 = bias_variable([32])
      h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

    with tf.name_scope('pool1'):
      h_pool1 = max_pool_2x2(h_conv1)

    with tf.name_scope('conv2'):
      W_conv2 = weight_variable([5, 5, 32, 64])
      b_conv2 = bias_variable([64])
      h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

    with tf.name_scope('pool2'):
      h_pool2 = max_pool_2x2(h_conv2)

    with tf.name_scope('fc1'):
      W_fc1 = weight_variable(
        [int(self.image_size / 4) * int(self.image_size / 4) * 64, 1024])
      b_fc1 = bias_variable([1024])
      h_pool2_flat = tf.reshape(
        h_pool2,
        [-1, int(self.image_size / 4) * int(self.image_size / 4) * 64])
      h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
      h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    with tf.name_scope('fc2'):
      W_fc2 = weight_variable([1024, self.class_count])
      b_fc2 = bias_variable([self.class_count])
      y = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

    if softmax:
      with tf.name_scope('softmax'):
        y = tf.nn.softmax(y)

    return y

  #Fonction de perte pour calculer l'erreur entre le résultat de l'inférence et la bonne réponse.
  def loss(self, y, labels):
    #Calculez l'entropie croisée.
    # tf.nn.softmax_cross_entropy_with_logits argument logits
    #Ne donnez pas de variables auxquelles la fonction softmax est appliquée.
    cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=labels))
    tf.summary.scalar('cross_entropy', cross_entropy)

    return cross_entropy

  #Fonctions d'apprentissage
  def training(self, cross_entropy, learning_rate=1e-4):
    train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

    return train_step

  #Taux de réponse correct(accuracy)Demander.
  def accuracy(self, y, labels):
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(labels, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.summary.scalar('accuracy', accuracy)

    return accuracy

La description

Une implémentation du modèle CNN. C'est le cœur de ce projet, mais il s'agit surtout du tutoriel TensorFlow Deep MNIST for Experts [Code](https: // github. Identique à com / tensorflow / tensorflow / blob / master / tensorflow / examples / tutorials / mnist / mnist_deep.py). Cependant, il est classé pour augmenter la polyvalence.

6. Implémentez une fonction pour lire des images à partir de CSV

code

load_data.py

import tensorflow as tf


def load_data(csvpath, batch_size, image_size, class_count,
  shuffle=False, min_after_dequeue=1000):

  queue = tf.train.string_input_producer([csvpath], shuffle=shuffle)
  reader = tf.TextLineReader()
  key, value = reader.read(queue)
  imagepath, label = tf.decode_csv(value, [['imagepath'], [0]])

  jpeg = tf.read_file(imagepath)
  image = tf.image.decode_jpeg(jpeg, channels=3)
  image = tf.image.resize_images(image, [image_size, image_size])
  #Échelle à 0 en moyenne.
  image = tf.image.per_image_standardization(image)

  #Valeur d'étiquette un-Convertissez en expression chaude.
  label = tf.one_hot(label, depth=class_count, dtype=tf.float32)

  capacity = min_after_dequeue + batch_size * 3

  if shuffle:
    images, labels = tf.train.shuffle_batch(
      [image, label],
      batch_size=batch_size,
      num_threads=4,
      capacity=capacity,
      min_after_dequeue=min_after_dequeue)
  else:
    images, labels = tf.train.batch(
      [image, label],
      batch_size=batch_size,
      capacity=capacity)

  return images, labels

La description

Une fonction de lecture d'images et d'étiquettes à partir de CSV. Il sera utilisé plus tard dans l'apprentissage et les tests. Utilisez tf.train.shuffle_batch () pour mélanger les données de test pendant l'entraînement, sans mélanger pendant les tests Je suppose que vous utilisez tf.train.batch ().

7. Apprenez le modèle CNN

code

train.py

import os
import tensorflow as tf
from cnn import CNN
from config import Channel, LOG_DIR
from load_data import load_data

#Supprimez les messages d'avertissement TensorFlow.
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('image_size', 48, 'Image size.')
flags.DEFINE_integer('step_count', 1000, 'Number of steps.')
flags.DEFINE_integer('batch_size', 50, 'Batch size.')
flags.DEFINE_float('learning_rate', 1e-4, 'Initial learning rate.')


def main():
  with tf.Graph().as_default():
    cnn = CNN(image_size=FLAGS.image_size, class_count=len(Channel))
    images, labels = load_data(
      'data/train/data.csv',
      batch_size=FLAGS.batch_size,
      image_size=FLAGS.image_size,
      class_count=len(Channel),
      shuffle=True)
    keep_prob = tf.placeholder(tf.float32)

    logits = cnn.inference(images, keep_prob)
    loss = cnn.loss(logits, labels)
    train_op = cnn.training(loss, FLAGS.learning_rate)
    accuracy = cnn.accuracy(logits, labels)

    saver = tf.train.Saver()
    init_op = tf.global_variables_initializer()

    with tf.Session() as sess:
      sess.run(init_op)
      coord = tf.train.Coordinator()
      threads = tf.train.start_queue_runners(sess=sess, coord=coord)

      summary_op = tf.summary.merge_all()
      summary_writer = tf.summary.FileWriter(LOG_DIR, sess.graph)

      for step in range(1, FLAGS.step_count + 1):
        _, loss_value, accuracy_value = sess.run(
          [train_op, loss, accuracy], feed_dict={keep_prob: 0.5})

        if step % 10 == 0:
          print(f'step {step}: training accuracy {accuracy_value}')
          summary = sess.run(summary_op, feed_dict={keep_prob: 1.0})
          summary_writer.add_summary(summary, step)

      coord.request_stop()
      coord.join(threads)

      save_path = saver.save(sess, os.path.join(LOG_DIR, 'model.ckpt'))

if __name__ == '__main__':
  main()

La description

En fait, lisez l'image et apprenez CNN. Cette fois, 1 000 étapes d'apprentissage sont effectuées et le taux de réponse correct (précision) est émis toutes les 10 étapes. Enregistrez les paramètres appris dans log / model.ckpt.

Résultat d'exécution

$ python train.py
step 10: training accuracy 0.5600000023841858
step 20: training accuracy 0.47999998927116394
step 30: training accuracy 0.7200000286102295
(Abréviation)
step 980: training accuracy 1.0
step 990: training accuracy 0.9800000190734863
step 1000: training accuracy 0.9800000190734863

De plus, si vous démarrez TensorBoard dans une autre session du terminal et accédez à http://0.0.0.0:6006 avec un navigateur Web, la transition des valeurs telles que le taux de réponse correct (exactitude) et l'entropie croisée (cross_entropy) pour les données d'entraînement est représentée graphiquement. Tu peux vérifier.

$ tensorboard --logdir ./log
Starting TensorBoard b'47' at http://0.0.0.0:6006
(Press CTRL+C to quit)

8. Testez le modèle entraîné

code

test.py

import os
import tensorflow as tf
from cnn import CNN
from config import Channel, LOG_DIR
from load_data import load_data

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('image_size', 48, 'Image size.')
flags.DEFINE_integer('batch_size', 1000, 'Batch size.')


def main():
  with tf.Graph().as_default():
    cnn = CNN(image_size=FLAGS.image_size, class_count=len(Channel))
    images, labels = load_data(
      'data/test/data.csv',
      batch_size=FLAGS.batch_size,
      image_size=FLAGS.image_size,
      class_count=len(Channel),
      shuffle=False)
    keep_prob = tf.placeholder(tf.float32)

    logits = cnn.inference(images, keep_prob)
    accuracy = cnn.accuracy(logits, labels)

    saver = tf.train.Saver()
    init_op = tf.global_variables_initializer()

    with tf.Session() as sess:
      sess.run(init_op)
      saver.restore(sess, os.path.join(LOG_DIR, 'model.ckpt'))
      coord = tf.train.Coordinator()
      threads = tf.train.start_queue_runners(sess=sess, coord=coord)

      accuracy_value = sess.run(accuracy, feed_dict={keep_prob: 0.5})

      print(f'test accuracy: {accuracy_value}')

      coord.request_stop()
      coord.join(threads)

if __name__ == '__main__':
  main()

La description

Mesurez la précision du modèle entraîné en trouvant le taux de réponse correct (précision) pour les données de test.

Résultat d'exécution

$ find data/test -name '*.jpg' | wc -l
    1097
$ python test.py --batch_size 1097
test accuracy: 0.7657247185707092

Cette fois, le taux de réponse correcte était d'environ 76,6%. Si vous inférez au hasard, cela devrait être un quart, ou 25,0%, donc je pense que vous pouvez apprendre correctement, mais il semble y avoir place à l'amélioration de la précision.

9. Inférer avec le modèle entraîné

code

inference.py

import numpy as np
import os
import sys
import tensorflow as tf
from cnn import CNN
from config import Channel, LOG_DIR

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('image_size', 48, 'Image size.')


def load_image(imagepath, image_size):
  jpeg = tf.read_file(imagepath)
  image = tf.image.decode_jpeg(jpeg, channels=3)
  image = tf.cast(image, tf.float32)
  image = tf.image.resize_images(image, [image_size, image_size])
  image = tf.image.per_image_standardization(image)

  return image


def print_results(imagepath, softmax):
  os.system(f'imgcat {imagepath}')
  mex_channel_name_length = max(len(channel.name) for channel in Channel)
  for channel, value in zip(Channel, softmax):
    print(f'{channel.name.ljust(mex_channel_name_length + 1)}: {value}')

  print()

  prediction = Channel(np.argmax(softmax)).name
  for channel in Channel:
    if channel.name in imagepath:
      answer = channel.name
      break

  print(f'Devine: {prediction},Bonne réponse: {answer}')

La description

Enfin, faites des inférences à l'aide du modèle entraîné. Regardez le résultat de la fonction softmax et utilisez la classe avec la plus grande valeur comme résultat de l'inférence.

À propos, il est distribué sur les pages iTerm2 et iTerm2 Images imgcat Vous pouvez utiliser (: //raw.githubusercontent.com/gnachman/iTerm2/master/tests/imgcat) pour afficher l'image telle quelle sur le terminal. C'est pratique car l'image d'entrée et le résultat de l'inférence peuvent être combinés et émis sur le terminal.

Résultat d'exécution

Sélectionnons quelques données de test et déduisons-les.

Histoire de réussite: joie:

HikakinTV et HikakinGames ont un pourcentage élevé de réponses correctes, probablement en raison de la grande quantité de données.

Exemple d'échec: sanglot:

En revanche, HIKAKIN et HikakinBlog ont un faible pourcentage de réponses correctes, probablement parce que le nombre de données est petit.

Taux de réponse correct pour chaque canal

J'ai réduit les données de test à un seul canal et calculé le taux de réponse correct.

Eh bien, après tout, s'il y a peu de données, le taux de réponse correct est extrêmement faible.

Plan d'amélioration

1. Augmentez la taille de l'image pendant l'apprentissage.
2. Augmentez le nombre de couches de CNN.
3. Effectuez une augmentation des données pour augmenter le nombre d'images.

En particulier, je pense qu'il peut être considérablement amélioré simplement en augmentant le nombre de données d'entraînement, je vais donc l'essayer à l'avenir.

référence

Il existe d'innombrables documents de référence, nous ne sélectionnerons donc avec soin que ceux qui ont été particulièrement utiles. De plus, les documents officiels sont exclus.

Articles Internet

Étude de cas utilisant TensorFlow

Articles des dieux: priez :: scintille:

• Identifiez le visage d'une idole par un apprentissage en profondeur avec TensorFlow
• Je pense que la plupart des utilisateurs de TensorFlow au Japon ont fait référence à l'article de Sugyan. Cet article est super.
• Identifiez la société de production d'anime Yuruyuri avec TensorFlow
• Un excellent article auquel la plupart des programmeurs qui ont également essayé d'identifier des personnages d'anime avec TensorFlow auraient pu se référer. J'ai également écrit un programme pour identifier le personnage de Kemono Friends auparavant, alors j'y ai fait référence à ce moment-là.
• CNN détermine dans quelle université une belle femme est susceptible d'être
• C'est le dernier exemple auquel j'ai fait référence.

Entrée de données d'image liée à TensorFlow

J'étais très ennuyé par la saisie de données TensorFlow. J'apprécie beaucoup les articles de mes prédécesseurs: priez :: sparkles:

• Essayez d'utiliser la classe Reader de TensorFlow
• Reconnaissance faciale des membres Momokuro par TensorFlow (Partie 1)
• Pour la saisie des données d'image, je me suis particulièrement référé au code de cet article.

Autre

• [Tensorflow] Enquête sur les biais lors d'un shuffle_batch avec le fichier TFRecord
• Utilisez la fonction one_hot pour la classification multi-classes
• Résumé du prétraitement et du traitement des tests utilisés dans la classification des images par CNN

Livres

• Deep Learning from scratch - la théorie et la mise en œuvre du deep learning appris avec Python
• Grâce à ce livre, je comprends l'implémentation de CNN dans TensorFlow.