TensorFlow pour débutants : apprentissage par transfert

Name: TensorFlow pour débutants : apprentissage par transfert
Author: Josh Turner

Découvrez comment améliorer les performances de vos modèles d'apprentissage automatique à l'aide de l'apprentissage par transfert et des modèles pré-entraînés

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

Demander une démo Se connecter

Cours : à la demande

Bonjour, je m'appelle Josh Turner. Dans ces leçons, vous découvrirez l’apprentissage par transfert. Vous construirez votre propre modèle d'apprentissage par transfert. Vous entraînerez et compilerez votre modèle et le testerez sur certains tests données. Enfin, vous apprendrez à valider et à ajuster votre modèle obtenez de meilleures prédictions et de meilleurs résultats. Commençons. Dans cette leçon, vous découvrirez l'apprentissage par transfert et construisez votre propre modèle d’apprentissage par transfert. Nous décrirons l'apprentissage par transfert, puis importerons le les bibliothèques nécessaires et l'ensemble de données pour construire le nôtre modèle d’apprentissage par transfert. La première chose que nous devrions faire est de décrire l’apprentissage par transfert. L’apprentissage par transfert est le transfert intentionnel de informations ou connaissances d’une entité à une autre. En apprentissage automatique, cela signifie utiliser les informations ou connaissances apprises d’un modèle pour construire un autre modèle. Voyons comment cela se fait. Pour démarrer dans TensorFlow, nous devons importer les éléments nécessaires bibliothèques. Importons TensorFlow au format tf. De plus, depuis TensorFlow, nous devons importer les keras bibliothèque. Et puis depuis keras, nous devons importer la bibliothèque de calques. D'accord. Allez-y, tapez et exécutez ces lignes de code pour vous assurer tout fonctionne bien sur votre machine locale. Très bien, jusqu'ici, tout va bien. La prochaine étape pour nous consiste à importer un ensemble de données. Nous importerons l'ensemble de données fashion-menis, qui comprend de nombreuses images de différents types de vêtements. Pour ce faire, définissez quatre variables, a, b, u et v égales à keras . datasets.fashion-menist.load-data. De plus, nous définirons une variable de forme d'entrée de 224 ,224 ,3. Il s'agit de la forme du paramètre d'entrée pour l'apprentissage par transfert modèle que nous allons construire dans quelques minutes. Allez-y et exécutez ces lignes de code. Très bien, jusqu'ici, tout va bien. Maintenant que nous avons notre ensemble de données d'entrée et une forme d'entrée, nous pouvons commencer à construire notre propre modèle d’apprentissage par transfert. Nous utiliserons le modèle MobileNet V2 dans TensorFlow. Ce modèle a été formé sur des milliers d'images différentes et a appris beaucoup d'informations sur les fonctionnalités et les représentations de ces images. Nous utiliserons les connaissances de ce modèle pour construire notre très propre classificateur. Mais pour l’instant, nous allons construire notre propre apprentissage par transfert. modèle en utilisant le modèle MobileNet V2. Pour ce faire, tapez le code suivant. Créez une variable appelée modèle de base. Définir le modèle de base égal à tf.keras.applications MobileNet V2. Le modèle MobileNet V2 prend des paramètres différents. La forme d'entrée sera la forme d'entrée que nous avons définie plus tôt. Nous n'inclurons pas le haut car nous utiliserons des poids qui sont déjà pré-importés depuis ImageNet. Définissez donc votre include top égal à false. Et pour les poids, entre guillemets, tapez ImageNet. Une fois que vous avez tapé ces lignes de code, allez-y et exécutez-les pour être sûr d'avoir votre propre instance modèle d’apprentissage par transfert. La dernière étape pour créer notre propre apprentissage par transfert model consiste à geler les calques du modèle. Cela signifie que le modèle a été pré-entraîné sur certains éléments donnés. poids et congelé afin que nous puissions l'utiliser à nos propres fins. Pour ce faire, nous devons simplement utiliser l'attribut entraînable pour le modèle et définissez-le égal à false. Cela signifie taper base model.trainable égal à false. Allez-y et exécutez cette dernière ligne de code. Et nous avons créé notre propre modèle d’apprentissage par transfert. Merci d'avoir regardé. Restez à l'écoute pour la prochaine leçon où nous formerons et compilerons un modèle d’apprentissage par transfert.

Débutant Fournisseur : Josh Turner 4 leçons · 20m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

L'apprentissage par transfert est une technique puissante d'apprentissage automatique qui consiste à utiliser des modèles pré-entraînés pour améliorer les performances de vos propres modèles. Dans ces leçons, vous découvrirez les différents avantages de l'apprentissage par transfert et comment utiliser des modèles pré-entraînés pour améliorer les performances de vos projets d’apprentissage automatique.

Vous commencerez par explorer les différents affirmations Vrai/Faux liés à l'apprentissage par transfert, tels que la nécessité de remodeler les données pour les modèles pré-entraînés et l'importance d'utiliser l'entropie croisée binaire pour les problèmes de classification à deux classes. Vous découvrirez également les modèles d'image populaires utilisés dans l'apprentissage par transfert, tels que MobileNetV2, et où télécharger des modèles TensorFlow pré-entraînés.

Ensuite, vous découvrirez les différentes étapes de prétraitement impliquées dans l'apprentissage par transfert, telles que le remodelage des données et la normalisation des données. Vous explorerez également les avantages du traitement par lots, tels que l'accélération de votre modèle et la facilitation du traitement des jeux de données volumineux.

Vous apprendrez à utiliser des outils tels que les jeux de données de validation et les matrices de confusion pour affiner votre modèle et améliorer ses performances. De plus, vous explorerez les différents paramètres impliqués dans l'apprentissage par transfert, tels que le nombre d'époques pour l'entraînement et la congélation des poids.

Ce que vous allez apprendre

Comprendre le concept de l'apprentissage par transfert (transfer learning) et ses avantages dans l'apprentissage automatique (machine learning)
Utiliser des modèles TensorFlow pré-entraînés tels que MobileNetV2 pour améliorer vos projets de machine learning
Prétraiter (preprocess) les données pour les modèles pré-entraînés en les remodelant et en les normalisant
Construire, compiler et entraîner un modèle d'apprentissage par transfert
Affiner (fine-tune) votre modèle à l'aide d'ensembles de données de validation et de matrices de confusion
Tester et valider l'ajustement (fit) de votre modèle sur des exemples

Points clés à retenir

Le transfert d'apprentissage (transfer learning) utilise des modèles pré-entraînés pour améliorer les performances de vos propres modèles d'apprentissage automatique.
MobileNetV2 est un modèle d'image populaire utilisé dans l'apprentissage par transfert, et des modèles TensorFlow pré-entraînés peuvent être téléchargés pour être utilisés.
Le prétraitement pour l'apprentissage par transfert comprend le remodelage et la normalisation des données afin qu'elles fonctionnent avec des modèles pré-entraînés.
Le traitement par lots (batching) accélère votre modèle et facilite le traitement de grands ensembles de données.
Les paramètres de l'apprentissage par transfert (transfer learning) comprennent le nombre d'époques (epochs) pour l'entraînement et le gel des poids (freezing of weights).

Foire aux questions

Que vais-je apprendre dans ce cours ?

Vous apprendrez le concept de l'apprentissage par transfert (transfer learning) et ses avantages, comment utiliser des modèles pré-entraînés comme MobileNetV2 pour améliorer vos projets de machine learning, comment prétraiter les données en les remodelant et en les normalisant, et comment affiner votre modèle en utilisant des ensembles de données de validation et des matrices de confusion.

Quelles compétences ce cours couvre-t-il ?

Le cours couvre l'Apprentissage Profond (Deep Learning), l'Entraînement de Modèles d'Apprentissage Automatique, l'Apprentissage Supervisé, TensorFlow, les Ensembles de Données d'Entraînement et l'Apprentissage par Transfert (Transfer Learning).

Quels sujets sont abordés dans les leçons ?

Les leçons couvrent la construction d'un modèle d'apprentissage par transfert, la compilation et l'entraînement du modèle, le test du modèle sur des exemples et la validation de l'ajustement (fit) du modèle.

Quelles étapes de prétraitement ce cours enseigne-t-il pour l'apprentissage par transfert ?

Il enseigne des étapes de prétraitement (preprocessing) telles que le remodelage des données et la normalisation des données, et explique les avantages du traitement par lots (batching), y compris l'accélération de votre modèle et la facilitation du traitement de grands ensembles de données.

Quels paramètres de modèle sont discutés dans ce cours ?

Le cours explore les paramètres impliqués dans l'apprentissage par transfert, tels que le nombre d'époques (epochs) pour l'entraînement et le gel des poids (freezing of weights).