TensorFlow für Einsteiger: Transfer Learning

Name: TensorFlow für Einsteiger: Transfer Learning
Author: Josh Turner

Lernen Sie, wie Sie die Leistung Ihrer Modelle für maschinelles Lernen mit Hilfe von Transfer-Lernen und vortrainierten Modellen verbessern können.

Preview the first lesson free — get full access to all 4 lessons.

Demo anfragen Anmelden

Kurs: On-Demand

Hallo, mein Name ist Josh Turner. In diesen Lektionen erfahren Sie mehr über Transferlernen. Sie erstellen Ihr ganz eigenes Transfer-Lernmodell. Sie trainieren und kompilieren Ihr Modell und testen es in einem Test Daten. Abschließend erfahren Sie, wie Sie Ihr Modell validieren und optimieren Erhalten Sie bessere Vorhersagen und Ergebnisse. Lass uns anfangen. In dieser Lektion erfahren Sie mehr über Transferlernen und Erstellen Sie Ihr ganz eigenes Transfer-Lernmodell. Wir beschreiben das Transferlernen und importieren es dann notwendige Bibliotheken und den Datensatz, um unsere eigenen zu erstellen Transfer-Lernmodell. Als Erstes sollten wir das Transferlernen beschreiben. Transferlernen ist die absichtliche Übertragung von Informationen oder Wissen von einer Entität zur anderen. Beim maschinellen Lernen bedeutet das, die Informationen zu nutzen bzw Wissen, das von einem Modell gelernt wurde, um ein anderes Modell zu bauen. Mal sehen, wie das geht. Um in TensorFlow zu beginnen, sollten wir das Notwendige importieren Bibliotheken. Importieren wir TensorFlow als tf. Zusätzlich müssen wir die Keras aus TensorFlow importieren Bibliothek. Und dann müssen wir aus Keras die Ebenenbibliothek importieren. Okay. Geben Sie diese Codezeilen ein und führen Sie sie aus, um sicherzugehen Auf Ihrem lokalen Computer funktioniert alles einwandfrei. Alles klar, soweit, so gut. Der nächste Schritt für uns ist der Import eines Datensatzes. Wir importieren den Fashion-Menis-Datensatz, der aus besteht viele Bilder verschiedener Arten von Kleidung. Setzen Sie dazu die vier Variablen a, b, u und v gleich keras . datasets.fashion-menist.load-data. Darüber hinaus legen wir eine Eingabeformvariable von 224.224.3 fest. Dies ist die Eingabeparameterform für das Transferlernen Modell, das wir in wenigen Minuten bauen werden. Fahren Sie fort und führen Sie diese Codezeilen aus. Alles klar, soweit, so gut. Da wir nun unseren Eingabedatensatz und eine Eingabeform haben, können wir können mit dem Aufbau unseres ganz eigenen Transfer-Lernmodells beginnen. Wir werden das MobileNet V2-Modell in TensorFlow verwenden. Dieses Modell wurde an Tausenden verschiedener Bilder trainiert und hat viele Informationen über die Funktionen erfahren und Darstellungen dieser Bilder. Wir werden das Wissen aus diesem Modell nutzen, um unser eigenes Modell aufzubauen eigener Klassifikator. Vorerst werden wir jedoch unser ganz eigenes Transferlernen aufbauen Modell unter Verwendung des MobileNet V2-Modells. Geben Sie dazu den folgenden Code ein. Erstellen Sie eine Variable namens Basismodell. Setzen Sie das Basismodell auf tf.keras.applications MobileNet V2. Das MobileNet V2-Modell verwendet einige unterschiedliche Parameter. Die Eingabeform ist die von uns definierte Eingabeform früher. Wir werden die Oberseite nicht mit einbeziehen, da wir Gewichte verwenden werden die bereits aus ImageNet vorimportiert sind. Setzen Sie also Ihren Include-Topwert auf „false“. Geben Sie für Gewichtungen in doppelten Anführungszeichen ImageNet ein. Nachdem Sie diese Codezeilen eingegeben haben, führen Sie sie aus um sicherzustellen, dass Sie eine eigene Instanz haben Transfer-Lernmodell. Der letzte Schritt zu unserem ganz eigenen Transferlernen Modell besteht darin, die Modellebenen einzufrieren. Das bedeutet, dass das Modell auf einige gegebene Punkte vorab trainiert wurde beschwert und eingefroren, damit wir es für unsere eigenen Zwecke verwenden können. Dazu müssen wir lediglich das trainable-Attribut for verwenden das Modell und setzen Sie es auf false. Das bedeutet, dass Sie „base model.trainable“ gleich „false“ eingeben. Fahren Sie fort und führen Sie diese letzte Codezeile aus. Und wir haben unser ganz eigenes Transfer-Lernmodell entwickelt. Danke fürs zuschauen. Seien Sie gespannt auf die nächste Lektion, in der wir trainieren und kompilieren ein Transfer-Lernmodell.

Anfänger Anbieter : Josh Turner 4 Lektionen · 20m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

Transfer-Lernen ist eine leistungsstarke Technik des maschinellen Lernens, bei der vortrainierte Modelle verwendet werden, um die Leistung der eigenen Modelle zu verbessern. In diesen Lektionen lernen Sie die verschiedenen Vorteile des Transferlernens kennen und erfahren, wie Sie vorab trainierte Modelle verwenden können, um die Leistung Ihrer maschinellen Lernprojekte zu verbessern.

Sie beginnen damit, die verschiedenen Wahr/Falsch-Aussagen im Zusammenhang mit Transfer Learning zu untersuchen, wie z.B. die Notwendigkeit, Daten für vortrainierte Modelle umzuformen und die Bedeutung der Verwendung von binärer Kreuzentropie für Zwei-Klassen-Klassifizierungsprobleme. Sie werden auch etwas über populäre Bildmodelle lernen, die beim Transfer-Lernen verwendet werden, wie MobileNetV2, und wo man vortrainierte TensorFlow-Modelle herunterladen kann.

Im weiteren Verlauf werden Sie die verschiedenen Vorverarbeitungsschritte des Transfer-Lernens kennenlernen, z. B. die Umformung von Daten und die Normalisierung von Daten. Sie werden auch die Vorteile der Stapelverarbeitung erkunden, wie z. B. die Beschleunigung Ihres Modells und die einfachere Verarbeitung großer Datensätze.

Sie werden lernen, wie Sie Tools wie Validierungsdatensätze und Konfusionsmatrizen zur Feinabstimmung Ihres Modells und zur Verbesserung seiner Leistung einsetzen können. Darüber hinaus werden Sie die verschiedenen Parameter des Transfer-Lernens erforschen, wie zum Beispiel die Anzahl der Epochen für das Training und das Einfrieren der Gewichte.

Was Sie lernen werden

Verstehen Sie das Konzept des Transfer Learning und seine Vorteile beim Machine Learning
Verwenden Sie vorab trainierte TensorFlow-Modelle wie MobileNetV2, um Ihre Machine-Learning-Projekte zu verbessern
Bereiten Sie Daten für vorab trainierte Modelle vor, indem Sie sie umformen und normalisieren
Erstellen, kompilieren und trainieren Sie ein Transfer-Learning-Modell
Feinabstimmung Ihres Modells mit Validierungsdatensätzen und Konfusionsmatrizen
Testen und validieren Sie die Anpassung Ihres Modells an Beispiele

Wichtige Erkenntnisse

Transfer Learning nutzt vorab trainierte Modelle, um die Leistung Ihrer eigenen Machine-Learning-Modelle zu verbessern.
MobileNetV2 ist ein beliebtes Bildmodell, das beim Transfer Learning verwendet wird, und vorab trainierte TensorFlow-Modelle können zum Herunterladen bereitgestellt werden.
Die Vorverarbeitung für Transfer Learning umfasst das Umformen von Daten und das Normalisieren von Daten, um mit vorab trainierten Modellen zu funktionieren.
Batching beschleunigt Ihr Modell und macht große Datensätze leichter zu verarbeiten.
Parameter beim Transfer Learning umfassen die Anzahl der Epochs zum Trainieren und das Einfrieren von Gewichten.

Häufig gestellte Fragen

Was werde ich in diesem Kurs lernen?

Sie lernen das Konzept des Transfer Learning und seine Vorteile, wie Sie vorab trainierte Modelle wie MobileNetV2 verwenden, um Ihre Machine-Learning-Projekte zu verbessern, wie Sie Daten durch Umformen und Normalisieren vorverarbeiten, und wie Sie Ihr Modell mit Validierungsdatensätzen und Konfusionsmatrizen feinabstimmen.

Welche Fähigkeiten werden in diesem Kurs behandelt?

Der Kurs behandelt Deep Learning, Machine Learning Model Training, Supervised Learning, TensorFlow, Training Datasets und Transfer Learning.

Welche Themen werden in den Lektionen behandelt?

Die Lektionen behandeln das Erstellen eines Transfer-Learning-Modells, das Kompilieren und Trainieren des Modells, das Testen des Modells an Beispielen und die Validierung der Modellanpassung.

Welche Vorverarbeitungsschritte lehrt dieser Kurs für Transfer Learning?

Er lehrt Vorverarbeitungsschritte wie das Umformen von Daten und das Normalisieren von Daten und erklärt die Vorteile von Batching, einschließlich der Beschleunigung Ihres Modells und der Vereinfachung der Verarbeitung großer Datensätze.

Welche Modellparameter werden in diesem Kurs behandelt?

Der Kurs untersucht Parameter, die beim Transfer Learning beteiligt sind, wie die Anzahl der Epochs zum Trainieren und das Einfrieren von Gewichten.