Si está buscando el tipo / lista de algoritmos involucrados en el proceso de capacitación, aquí hay algunas publicaciones de blog para ver:
- Cómo entrenar tu red neuronal profunda
- Entrenamiento de una red neuronal artificial
Si desea saber cómo configurar y entrenar una red neuronal para un propósito de detección, por ejemplo, esto depende del marco de aprendizaje profundo que esté utilizando para este tipo de tarea, como Tenserflow o Torch, pero los pasos a seguir son siempre los mismos ( al menos para fines de detección de objetos), así que permítanme explicar un poco la descripción general:
Supongamos que quiere entrenar un detector de automóviles . Es decir, un programa que recibe una imagen de entrada o un cuadro de video generará las coordenadas (es decir, el cuadro delimitador) para cada automóvil presente en esa imagen. La fase de entrenamiento requiere:
- ¿Es teóricamente posible que la inteligencia artificial tome el control del mundo?
- ¿La IA no conducirá a una mayor separación de riqueza y distopía? ¿Cómo se puede lograr la alternativa?
- ¿Podría la IA eventualmente resolver un problema sin resolver del Premio del Milenio?
- ¿Cuál es el mejor lenguaje de programación para escribir Inteligencia Artificial en la web?
- ¿Puedes citar un ejemplo de un concepto o principio intelectual que no podemos entender completamente y que solo los seres con mayor inteligencia pueden?
- Unos pocos miles de muestras positivas : es decir, imágenes de diferentes escalas , colores , formas , etc. que contienen solo y solo el objeto objetivo a detectar, como el automóvil en nuestro caso. Afortunadamente, la web está llena de conjuntos de datos de cualquier tipo. Todo lo que tienes que hacer es buscar en Google el objetivo. En mi caso, utilicé el conjunto de datos de Stanford para mi detector de automóviles.
- Unos cientos de muestras negativas o de fondo : imágenes que no contienen en ninguna región el objeto de destino que queremos detectar (es decir, el automóvil en nuestro caso). Las imágenes de paisajes funcionarán bien aquí.
- Configure la red neuronal : esta es la parte más complicada y depende del marco de destino que esté utilizando como se dijo anteriormente, pero algunas configuraciones siempre deben estar presentes como:
- El tamaño de la ventana que el tamaño en píxeles de la ventana deslizante del detector.
- caminos donde residen sus muestras negativas y positivas.
- Umbral de detección, supresión no máxima, tamaño de paso, etc.
Aquí hay un repositorio de Github que le permite entrenar su propio detector de objetos con bastante facilidad. Todo lo que necesita hacer es proporcionar sus muestras positivas y negativas:
- Symisc / detector de objetos
Finalmente, si está buscando API Restful de última generación para sus tareas de procesamiento de visión y medios informáticos, puede encontrar que PixLab, donde solía trabajar, es muy útil. (Consulte esta introducción de 5 minutos a la API para obtener información adicional).
Espero que esto ayude,