TensorFlow para iniciantes: aprendizado por transferência

Name: TensorFlow para iniciantes: aprendizado por transferência
Author: Josh Turner

Saiba como melhorar o desempenho dos seus modelos de aprendizagem automática utilizando a aprendizagem por transferência e modelos pré-treinados

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

Solicitar uma demonstração Entrar

Curso: sob demanda

Olá, meu nome é Josh Turner. Nestas lições, você aprenderá sobre aprendizagem por transferência. Você construirá seu próprio modelo de aprendizagem por transferência. Você treinará e compilará seu modelo e o testará em algum teste dados. Por fim, você aprenderá como validar e ajustar seu modelo para obter melhores previsões e resultados. Vamos começar. Nesta lição, você aprenderá sobre aprendizagem por transferência e construa seu próprio modelo de aprendizagem por transferência. Descreveremos a aprendizagem por transferência e depois importaremos o bibliotecas necessárias e o conjunto de dados para construir nosso próprio modelo de aprendizagem por transferência. A primeira coisa que devemos fazer é descrever a aprendizagem por transferência. A aprendizagem por transferência é a transferência intencional de informação ou conhecimento de uma entidade para outra. No aprendizado de máquina, isso significa usar as informações ou conhecimento aprendido de um modelo para construir outro modelo. Vamos ver como isso é feito. Para começar no TensorFlow, devemos importar o necessário bibliotecas. Vamos importar o TensorFlow como tf. Além disso, do TensorFlow, precisamos importar o keras biblioteca. E então do keras, precisamos importar a biblioteca de camadas. OK. Vá em frente e digite e execute estas linhas de código para ter certeza tudo funciona bem na sua máquina local. Tudo bem, até agora, tudo bem. A próxima etapa para nós é importar um conjunto de dados. Importaremos o conjunto de dados fashion-menis, que é composto por muitas imagens de diferentes tipos de roupas. Para fazer isso, defina quatro variáveis, a, b, u e v iguais a keras . conjuntos de dados.fashion-menist.load-data. Além disso, definiremos uma variável de formato de entrada de 224 .224 ,3. Este é o formato do parâmetro de entrada para a aprendizagem por transferência modelo que construiremos em alguns minutos. Vá em frente e execute essas linhas de código. Tudo bem, até agora, tudo bem. Agora que temos nosso conjunto de dados de entrada e um formato de entrada, podemos começar a construir nosso próprio modelo de aprendizagem por transferência. Usaremos o modelo MobileNet V2 no TensorFlow. Este modelo foi treinado em milhares de imagens diferentes e aprendeu muitas informações sobre os recursos e representações dessas imagens. Usaremos o conhecimento deste modelo para construir nosso próprio próprio classificador. Por enquanto, porém, construiremos nosso próprio aprendizado por transferência modelo usando o modelo MobileNet V2. Para fazer isso, digite o seguinte código. Crie uma variável chamada modelo base. Defina o modelo base igual a tf.keras.applications MobileNet V2. O modelo MobileNet V2 utiliza alguns parâmetros diferentes. A forma de entrada será a forma de entrada que definimos mais cedo. Não incluiremos o topo porque usaremos pesos que já foram pré-importados do ImageNet. Portanto, defina seu include top igual a false. E para pesos, entre aspas duplas, digite ImageNet. Depois de digitar essas linhas de código, vá em frente e execute-as para ter certeza de que você tem uma instância própria modelo de aprendizagem por transferência. A etapa final para criar nosso próprio aprendizado por transferência modelo é congelar as camadas do modelo. Isso significa que o modelo foi pré-treinado em algum determinado pesos e congelados para que possamos usá-los para nossos próprios fins. Para fazer isso, precisamos simplesmente usar o atributo treinável para o modelo e defina-o como falso. Isso significa digitar base model.trainable igual a false. Vá em frente e execute esta linha final de código. E criamos nosso próprio modelo de aprendizagem por transferência. Obrigado por assistir. Fique ligado na próxima lição quando treinaremos e compilaremos um modelo de aprendizagem por transferência.

Principiante Fornecedor : Josh Turner 4 lições · 20m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

A aprendizagem por transferência é uma técnica poderosa na aprendizagem automática que envolve a utilização de modelos pré-treinados para melhorar o desempenho dos seus próprios modelos. Nestas lições, aprenderá sobre os diferentes benefícios da aprendizagem por transferência e como utilizar modelos pré-treinados para melhorar o desempenho dos seus projectos de aprendizagem automática.

Começará por explorar as diferentes afirmações Verdadeiro/Falso relacionadas com a aprendizagem por transferência, tais como a necessidade de reformular os dados para modelos pré-treinados e a importância de utilizar a entropia cruzada binária para problemas de classificação de duas classes. Também aprenderá sobre modelos de imagem populares utilizados na aprendizagem por transferência, como o MobileNetV2, e onde descarregar modelos TensorFlow pré-treinados.

Mais adiante, você descobrirá as diferentes etapas de pré-processamento envolvidas na aprendizagem por transferência, como reformulação de dados e normalização de dados. Também explorará os benefícios do agrupamento, como acelerar seu modelo e facilitar o processamento de grandes conjuntos de dados.

Aprenderá a utilizar ferramentas como os conjuntos de dados de validação e as matrizes de confusão para afinar o seu modelo e melhorar o seu desempenho. Além disso, irá explorar os diferentes parâmetros envolvidos na aprendizagem por transferência, como o número de épocas de treino e o congelamento de pesos.

O Que Você Vai Aprender

Compreender o conceito de aprendizado por transferência e seus benefícios no aprendizado de máquina
Usar modelos pré-treinados do TensorFlow, como MobileNetV2, para melhorar seus projetos de aprendizado de máquina
Pré-processar dados para modelos pré-treinados redimensionando e normalizando-os
Construir, compilar e treinar um modelo de aprendizado por transferência
Ajustar seu modelo usando conjuntos de dados de validação e matrizes de confusão
Testar e validar o ajuste de seu modelo em exemplos

Principais Conclusões

O aprendizado por transferência usa modelos pré-treinados para melhorar o desempenho de seus próprios modelos de aprendizado de máquina.
MobileNetV2 é um modelo de imagem popular usado no aprendizado por transferência, e modelos pré-treinados do TensorFlow podem ser baixados para uso.
O pré-processamento para aprendizado por transferência inclui redimensionar dados e normalizar dados para que funcione com modelos pré-treinados.
O agrupamento em lotes acelera seu modelo e facilita o processamento de conjuntos de dados grandes.
Os parâmetros no aprendizado por transferência incluem o número de épocas para treinamento e o congelamento de pesos.

Perguntas Frequentes

O que vou aprender neste curso?

Você aprenderá o conceito de aprendizado por transferência e seus benefícios, como usar modelos pré-treinados como MobileNetV2 para melhorar seus projetos de aprendizado de máquina, como pré-processar dados redimensionando e normalizando-os, e como ajustar seu modelo usando conjuntos de dados de validação e matrizes de confusão.

Quais habilidades este curso abrange?

O curso abrange Aprendizado Profundo, Treinamento de Modelo de Aprendizado de Máquina, Aprendizado Supervisionado, TensorFlow, Conjuntos de Dados de Treinamento e Aprendizado por Transferência.

Quais tópicos são abordados nas lições?

As lições abrangem a construção de um modelo de aprendizado por transferência, compilação e treinamento do modelo, teste do modelo em exemplos e validação do ajuste do modelo.

Quais etapas de pré-processamento este curso ensina para aprendizado por transferência?

Ele ensina etapas de pré-processamento, como redimensionar dados e normalizar dados, e explica os benefícios do agrupamento em lotes, incluindo acelerar seu modelo e facilitar o processamento de conjuntos de dados grandes.

Quais parâmetros do modelo são discutidos neste curso?

O curso explora parâmetros envolvidos no aprendizado por transferência, como o número de épocas para treinamento e o congelamento de pesos.