Публикации по теме 'keras'


Часть 3: Понимание результатов от нейронной сети
Естественно чувствовать себя подавленным притоком новой терминологии и новых инструментов. Давайте подведем итоги того, что мы уже сделали. Уже Короче говоря, до сих пор мы следовали рецепту , предоставленному Google, чтобы построить нейронную сеть, обучить ее на наборе изображений и протестировать на другом наборе изображений. Попутно мы слышали названия инструментов / библиотек, таких как Python, Tensorflow, Numpy, Matplotlib и т. Д., А также терминологию, такую ​​как нейронная сеть..
Небольшие данные, большая ценность
Как простые и быстрые проекты машинного обучения могут превзойти огромные инвестиции в технологии (Не любите читать? Перейдите сразу к демонстрации и протестируйте модель самостоятельно!) Этот пост написан в соавторстве с Джоэлом Верделлом, главным менеджером по продукту в T-Mobile. Журналистика машинного обучения сосредоточена исключительно на масштабных усилиях: гигантские наборы данных загружаются в интенсивные вычислительные машины и месяцы работы для получения..
Классификация настроений от Кераса до браузера
Мы создадим классификатор с использованием Keras, чтобы различать положительные и отрицательные настроения для фильмов. Затем мы загрузим модель в браузер для предсказания пользователя. Код Я создал репозиторий на GitHub с кодом, необходимым для следования руководству. Если вы заметили какую-либо ошибку или столкнулись с какими-либо проблемами, поднимите вопрос здесь. Набор данных Мы будем использовать набор данных для классификации настроений. Набор данных содержит 7086..
Каковы плюсы и минусы PyTorch по сравнению с Keras?
Навигация по лабиринту сред машинного обучения может оказаться непростой задачей, особенно когда дело доходит до выбора между PyTorch и Keras. Оба имеют свои уникальные сильные и слабые стороны, и выбор часто зависит от различных факторов, таких как простота использования, гибкость и требования конкретного проекта. Вот разбивка, которая поможет вам принять обоснованное решение: PyTorch Плюсы: Графы динамических вычислений : PyTorch использует графы динамических вычислений,..
Руководство по подготовке данных для выявления гистопатологического обнаружения рака
Руководство по подготовке данных для обучения модели для гистопатологического обнаружения рака Kaggle. Kaggle отлично подходит для решения проблем, связанных с наукой о данных и машинным обучением. Один из них - Задача выявления гистопатологического рака . В этой задаче нам предоставляется набор данных изображений, на основе которых мы должны создать алгоритм (в нем говорится об алгоритме, а не явно о модели машинного обучения, поэтому, если вы гений, у вас есть альтернативный способ..
Обучите модель в tf.keras с помощью Colab и запустите ее в браузере с помощью TensorFlow.js
Мы создадим простой инструмент, который распознает рисунки и выводит имена текущего рисунка. Это приложение будет работать прямо в браузере без каких-либо установок. Мы будем использовать Google Colab для обучения модели и развернем ее в браузере с помощью TensorFlow.js. Код и демонстрация Найдите живую демонстрацию и код на GitHub. Также обязательно протестируйте ноутбук на Google Colab здесь . Набор данных Мы будем использовать CNN для распознавания рисунков разных..
Начало работы с TensorFlow 2.0
Руководство для практикующих по созданию и развертыванию классификатора изображений в TensorFlow 2.0. Google выпустила новейшую версию фреймворка машинного обучения TensorFlow, в котором существенно улучшены способы использования TensorFlow. Обладая одним из крупнейших сообществ разработчиков, TensorFlow прошел долгий путь от простой библиотеки машинного обучения до полноценной экосистемы машинного обучения. Все новые дополнения в TensorFlow 2.0 и их руководства доступны на канале..