Comments 5
UFO just landed and posted this here
«Алгоритм распознавания лиц не должен отличаться от алгоритма распознавания символов или рисунков»
В идеальном случае без дополнительных ограничений. На деле же — кого волнует, как оно будет распознавать лица, если мы пишем OCR (и наоборот?). Да и ресурсов наше неидеальное решение может жрать меньше.
«Любая правильно настроенная пролог машина должна с этим справляться»
Можно с этого момента поподробнее?
«И с распознаванием речи тоже»
Задачи же разные. Как минимум — в случае разбора речи наши значения распределены во времени, чего не скажешь о изображении.
«В противном случае место такого алгоритма — помойка»
Это когда появится хорошо подходящая для обоих задач реализация, не являющаяся для одной из задач лютейшим оверкиллом :-)
В идеальном случае без дополнительных ограничений. На деле же — кого волнует, как оно будет распознавать лица, если мы пишем OCR (и наоборот?). Да и ресурсов наше неидеальное решение может жрать меньше.
«Любая правильно настроенная пролог машина должна с этим справляться»
Можно с этого момента поподробнее?
«И с распознаванием речи тоже»
Задачи же разные. Как минимум — в случае разбора речи наши значения распределены во времени, чего не скажешь о изображении.
«В противном случае место такого алгоритма — помойка»
Это когда появится хорошо подходящая для обоих задач реализация, не являющаяся для одной из задач лютейшим оверкиллом :-)
Статья-оригинал, очевидно, была написана для личного брендинга, etc.
Пользы не много от такого копипаста: «вот тут вот так, тут так, про градиентный спуск почитайте сами, вот тут кусок кода(копипастного)».
Ведь, пояснение какое отношение матрицы и векторы имеют к deep learning+что такое оптимизация и как она работает— очень важно.
Для первой практики просто понять, более даже интуитивно, что deep learning это не сложно по своей сути вот хорошо подходит— https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0.
Ну и дальше, если интересно, смотреть тут и тут репозитарии на github с ссылками.
Пользы не много от такого копипаста: «вот тут вот так, тут так, про градиентный спуск почитайте сами, вот тут кусок кода(копипастного)».
Ведь, пояснение какое отношение матрицы и векторы имеют к deep learning+что такое оптимизация и как она работает— очень важно.
Для первой практики просто понять, более даже интуитивно, что deep learning это не сложно по своей сути вот хорошо подходит— https://codelabs.developers.google.com/codelabs/tensorflow-for-poets/#0.
Ну и дальше, если интересно, смотреть тут и тут репозитарии на github с ссылками.
Пожалуйста, расскажите, где теперь наша обученная модель. Как ее использовать. Например, мне друг Вася прислал картинку с циферкой. Нужно ее распознать. Как мне сохранить и впоследствии использовать модель, которую я обучил по Вашему туториалу?
Обученная модель в переменной model.
Если вам прислали картинку которую вы хотите классифицировать, в общем случае вам нужно привести её в тот же вид (сначала размерность и цветность 28*28 grayscale, затем в одномерный вектор, как в начале статьи). Затем, в простейшем случае вы можете просто вызвать метод predict.
Для сохранения модели, чтобы не тратить лишний раз время на тренировку, имеются различные методы записи на диск и экспорта в JSON или YAML — https://keras.io/models/about-keras-models/
Если вам прислали картинку которую вы хотите классифицировать, в общем случае вам нужно привести её в тот же вид (сначала размерность и цветность 28*28 grayscale, затем в одномерный вектор, как в начале статьи). Затем, в простейшем случае вы можете просто вызвать метод predict.
Для сохранения модели, чтобы не тратить лишний раз время на тренировку, имеются различные методы записи на диск и экспорта в JSON или YAML — https://keras.io/models/about-keras-models/
Sign up to leave a comment.
Глубокое обучение для новичков: распознаем рукописные цифры