это 3-й части в моем науку данных и машинного обучения серия на глубокое изучение питона. В этот момент, Вы уже много знаете про нейронные сети и глубокое обучение, включая не только основы, как метод обратного распространения ошибки, но и пути его совершенствования с использованием современных методов, как импульс и скорость обучения. Вы уже написали глубоких нейронных сетей в Феано и TensorFlow, и вы знаете, как запустить код с помощью ГПУ.Этот курс все о том, как использовать глубинного обучения для компьютерного зрения с использованием сверточных нейронных сетей. Это состояние искусства, когда дело доходит до классификации изображений и били ванили глубоких сетей в задачах, как MNIST.
В этом курсе мы намерены поднять ставки и посмотреть на вид с улицы номер дома (SVHN) набор данных, который использует большие цветные изображения в различных ракурсах - так что дела идут, чтобы получить более жесткие, как вычислительно, так и в плане сложности классификации задач. Но мы покажем, что сверточные нейронные сети, или CNNs, способны справиться с этой задачей!
Потому что свертка является таким центральным элементом этого типа нейронной сети, мы идем в глубину на эту тему. Он имеет больше приложений, чем вы можете себе представить, например, для моделирования искусственных органов, как поджелудочная железа и сердце. Я собираюсь показать вам, как построить сверточных фильтров, которые можно применить к аудио, как эффект эха, и я собираюсь показать вам, как создать фильтры для эффектов, как размытие по Гауссу и определения границ.
Установить Python, numpy отсутствие составляющей, библиотек matplotlib, пакет scikit узнать, Феано, и TensorFlow
узнайте о обратного распространения из глубокого обучения на языке Python, часть 1
Узнайте о Феано и TensorFlow реализаций нейронных сетей глубокого обучения 2

DOWNLOAD






turbobit

---