Puede consultar la documentación de github de Overfeat para extraer las funciones.
sermanet / OverFeat
Supongo que no requiere la clasificación final de las imágenes. Para la extracción de características, hay binarios para todas las arquitecturas CNN, como es el caso de Overfeat. Para mayor concisión, pondré el fragmento de extracción de características aquí. Fuente: sermanet / OverFeat
- ¿Hay otros ejemplos de algoritmos de PNL que escriben libros publicados?
- Además de tratar de reconstruir la entrada (como en Autoencoder), ¿qué otras tareas podrían resultar útiles para el aprendizaje no supervisado de redes profundas?
- Cómo combinar clasificador basado en reglas y SVM
- ¿Puedes explicar el hashing de características de una manera fácil de entender?
- ¿Qué es más exigente, desarrollo de aplicaciones, aprendizaje automático, aprendizaje profundo, inteligencia artificial o IOT?
EXTRACCIÓN DE CARACTERÍSTICAS:
Para extraer las características en lugar de clasificar, use la opción -f. Por ejemplo :
bin / linux_64 / overfeat [-d ] [-l] -f image1.png image2.jpg
Es compatible con la opción -p. La opción -L (anula -f) se puede utilizar para devolver la salida de cualquier capa. Por ejemplo
bin / linux_64 / overfeat [-d ] [-l] -L 12 image1.png
devuelve el resultado de la capa 12. La opción -f corresponde a la capa 19 para la capa pequeña y 22 para la capa grande.
Escribe las características en stdout como una secuencia. Cada entidad comienza con tres enteros separados por espacios, el primero es el número de entidades (n), el segundo es el número de filas (h) y el último es el número de columnas (w). Le sigue un carácter de final de línea (‘\ n’). Luego sigue n h w números de coma flotante (escritos en ascii) separados por espacios. La función es la primera dimensión (de modo que para obtener la siguiente función, debe agregar w h a su índice), seguida de la fila (para obtener la siguiente fila, agregue w a su índice). Eso significa que si desea las características correspondientes a la ventana superior izquierda, debe leer los píxeles i h * w para i = 0..4095.
Puede guardar y escribir esta salida de características de sobrecarga en un archivo para su posterior procesamiento.