Отслабване на кераси Изкуствена невронна мрежа

Ресурси и къде да отида по-нататък?

невронна

Разширяване на данните Това е една от частите, където наистина трябва да опитате и да получите вида на изображението. Очевидно е, че правилният ремонт е сложна задача, така че нека помислим как бихме могли да го направим.

Въпроси за разглеждане: Правим ли достатъчно увеличаване на данните? Правим ли твърде много? Единият е глобалният метод на yves rocher за отслабване с прости трансформации от PyTorch, използващ например керамична RandomRotation или ColorJitter. Трябва да разгледаме само 1-2 функции за трансформация наведнъж, тъй като наборът от данни, който управляваме, не е много сложен.

Функция за загуба на квантилна регресия

Освен това, ако започнем с по-малко, керите за отслабване могат да помогнат да се определи кой е най-добре. Съставяне [преобразува.

RandomRotation 25 трансформира. RandomResizedCrop трансформира.

Кодиране на двуслойна невронна мрежа от нулата в Python - машинно обучение - 2020

ToTensor трансформации. Нормализиране [0, 0, 0,], [0. Това включва още интересни актуализации на данни, за които няма кера за загуба на тегло за проекта, но си струва да се проучи.

Как трябва да изглежда моят класификатор? Обикновено по време на задачи за прехвърляне на обучение, напълно свързани слоеве за класификация на FC се изтриват и се добавят нови слоеве на FC, за да се генерират нови данни и да се изпълни новата задача. Но много кера за отслабване на ученици ще се придържат към традиционните линейни и отпадащи слоеве в FC слоеве.

Кодиране на двуслойна невронна мрежа от нулата в Python - машинно обучение -

Можем ли да добавим няколко различни слоя? Да, можем да разгледаме следния пример, където добавихме слоевете AdaptivePooling към новия класификатор: class Flatten nn. AdaptiveAvgPool2d 1.1 самостоятелно. AdaptiveMaxPool2d 1.1 самостоятелно. Отпадане d самостоятелно.