Aquí les dejo algunos pasos para comenzar. Asumiré que tiene una idea básica de la teoría subyacente, como qué son las redes neuronales, la retropropagación, las circunvoluciones, las redes totalmente conectadas, etc. Si no, vaya a www.wildml.com para tener una idea y luego regrese para construir y optimizar Un clasificador de imagen. Además, todo el procedimiento se ha descrito para un entorno de programación python.
- Elija un marco de aprendizaje profundo con el que tenga la intención de trabajar. Para empezar, sugeriría usar Keras. Puede descargarlo de la documentación de Keras. La API de Keras es fácil de aprender e implementar y probablemente la mejor para la creación de prototipos.
- Una parte importante de trabajar en proyectos de aprendizaje profundo con el procesamiento eficiente de sus datos. Por lo tanto, debe configurar Numpy, una biblioteca de procesamiento matemático, jugar con ella. Obtenga una idea particularmente sobre la construcción de matrices numpy, guardarlas y leerlas como archivos .npy. Aquí supongo que tiene una idea sobre las partes de entrenamiento, prueba y validación cruzada de un conjunto de datos.
- Intenta jugar con los diversos constructos básicos de API. Aprenda a implementar las capas densas, de convolución y agrupación. Estos serán lo suficientemente buenos como para comenzar con cualquier proyecto básico.
- Dependiendo de su objetivo de aprendizaje, puede proceder de dos maneras. Si tiene la intención de aprender sobre el funcionamiento de las construcciones en el aprendizaje profundo, puede desviarse del esfuerzo al procesar un conjunto de datos. Sugeriría usar los conjuntos de datos mnist o cifar10 del propio Keras. de Keras.datasets import cifar10. (Xtrain, ytrain), (Xtest, prueba) = cifar10.load_data (). Esto carga el conjunto de datos como un conjunto de matrices numpy.
- Lo ideal es construir una red pequeña que se ajuste a la memoria de su sistema con la colección de capas densas de agrupación y convolución. Si tienes una GPU, ¡genial, aprenderás una buena lección de paciencia! Luego intente jugar con las diferentes funciones de activación, optimizadores y funciones de pérdida.
- Dado que mnist y cifar10 son conjuntos de datos de imágenes de varias clases, por lo tanto, la forma más intuitiva y lógica de comenzar es con un modelo de clasificación. También aprenderá sobre el uso de la capa softmax.
- La precisión no es demasiado alta? No es un problema, es hora de moverse para transferir el aprendizaje (transición laboral en la vida real). Keras proporciona una red vgg integrada. Intente ajustar las últimas capas densas en esta red utilizando su mismo conjunto de datos. La precisión se moverá a los años 90 superiores.
- Puede aprender a usar las diferentes capas del repositorio de demos de Keras en GitHub. También puede construir directamente una red utilizando la documentación también.
Por lo tanto, aprendió a construir su red utilizando Keras, la entrenó en un conjunto de datos popular. Todos ustedes ahora podrán mejorar la precisión utilizando los conceptos sobre transferencia de aprendizaje (prácticamente útiles) utilizando la red vgg16 que proporciona Keras.
Mucha suerte Espero que ayude 🙂
- ¿Hay algún proyecto trabajando en un sistema para crear fácilmente una simulación (limitada) de una persona real?
- ¿Cuál es el mejor enfoque sin supervisión para la recuperación de imágenes mediante el aprendizaje profundo?
- ¿Puede un robot de IA basado en Quora pasar la prueba de Turing en el futuro?
- ¿Qué piensan los neurocientíficos de las redes neuronales computacionales y el aprendizaje profundo?
- ¿Cuándo tendremos combate humanoide con robot RC?
