欧美vvv,亚洲第一成人在线,亚洲成人欧美日韩在线观看,日本猛少妇猛色XXXXX猛叫

作者| Lai

來源| Data

編輯|代碼醫(yī)生團隊

上邊是服裝的圖片。你能告訴我他們是什么嗎？

如果猜到運動鞋，連衣裙和靴子，你說得對！這不是太難卷積神經(jīng)網(wǎng)絡(luò)有沒有正則化，是嗎？那是因為人類非常善于檢測模式和分類對象。然而情況并非總是如此，特別是對于機器而言。計算機看不到，它看到了這個：

圖像作為數(shù)字矩陣存儲在計算機中，其中每個數(shù)字代表像素的顏色。對于黑白圖像，每個像素只有一個數(shù)字代表其黑暗，而對于彩色圖像，RGB通道將有3個數(shù)字（一個用于紅色，一個用于藍色，一個用于綠色）。每個數(shù)字代表該顏色的強度，范圍在0到255之間。

那么，如果一個圖像是鞋子或T恤，如果它能“看到”的只是數(shù)字，怎么教電腦呢？計算機分析和理解圖像的過程稱為計算機視覺，機器學(xué)習(xí)的子集，卷積神經(jīng)網(wǎng)絡(luò)是任務(wù)的最佳算法。

創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)

展示如何在中構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)。使用MNIST - 數(shù)據(jù)集訓(xùn)練了它，其中有60,000個28x28分辨率的黑白圖像的衣服。

在這里查看的完整代碼。

%20CNN.py

第1部分：導(dǎo)入，初始化和數(shù)據(jù)集

首先，導(dǎo)入，將使用的深度學(xué)習(xí)庫，以及，它提供數(shù)據(jù)集和圖像轉(zhuǎn)換。然后明確導(dǎo)入torch.和torch.以方便使用。還導(dǎo)入了torch.nn（的神經(jīng)網(wǎng)絡(luò)庫）卷積神經(jīng)網(wǎng)絡(luò)有沒有正則化，torch.nn.（包括非線性函數(shù)，如ReLu和）和torch.（反向傳播的計算圖）。

#Importing?libraries
import?torch
import?torchvision
import?torchvision.transforms?as?transforms
import?torchvision.datasets?as?datasets
import?torch.nn?as?nn
import?torch.nn.functional?as?F
from?torch.autograd?import?Variable

然后初始化超參數(shù)，其中包括時期數(shù)（訓(xùn)練輪次），種類數(shù)量（有10種：T恤，褲子，套頭衫，連衣裙，外套，涼鞋，襯衫，運動鞋，包和靴子），小批量梯度下降的批量大小，以及梯度下降的學(xué)習(xí)率。

#Initializing?hyperparameters
num_epochs?=?8
num_classes?=?10
batch_size?=?100
learning_rate?=?0.001

是時候檢索數(shù)據(jù)集了！加載MNIST-的訓(xùn)練集和測試集，并設(shè)置參數(shù)以將數(shù)據(jù)集轉(zhuǎn)換為張量（.（））。還通過設(shè)置平均值和標(biāo)準(zhǔn)差來對它們進行標(biāo)準(zhǔn)化（.（（0.5,0.5,0.5），（0.5,0.5,0.5）））。

#Loading?dataset
transform?=?transforms.Compose([transforms.ToTensor(),
????????????????????????????????transforms.Normalize((0.5,0.5,0.5),?(0.5,0.5,0.5))])

train_dataset?=?datasets.FashionMNIST(root='./data',
????????????????????????????train=True,
????????????????????????????download=True,
????????????????????????????transform=transform)

test_dataset?=?datasets.FashionMNIST(root='./data',
???????????????????????????train=False,
???????????????????????????download=True,
???????????????????????????transform=transform)

在加載數(shù)據(jù)集時，應(yīng)該看到以下消息：

此階段的最后一步是將數(shù)據(jù)放入對象（數(shù)據(jù)加載器）以使其更易于訪問。改組訓(xùn)練數(shù)據(jù)集，以便訓(xùn)練中不會有任何偏差。

#Loading?dataset?into?dataloader
train_loader?=?torch.utils.data.DataLoader(dataset=train_dataset,
???????????????????????????????????????????batch_size=batch_size,
???????????????????????????????????????????shuffle=True)

test_loader?=?torch.utils.data.DataLoader(dataset=test_dataset,
??????????????????????????????????????????batch_size=batch_size,
??????????????????????????????????????????shuffle=False)

以下將用于訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)集中的一些圖像：

第2部分：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)

使用nn.類初始化神經(jīng)網(wǎng)絡(luò)，nn.類是所有分層神經(jīng)網(wǎng)絡(luò)模塊的基類：

#Defining?the?network??????????
class?CNNModel(nn.Module):

卷積網(wǎng)絡(luò)將是兩個卷積層，每個卷積層后面跟著一個非線性函數(shù)（ReLu）和一個最大池化層，最后是一個完全連接的層和用于線性回歸。

卷積神經(jīng)網(wǎng)絡(luò)的層次

還在完全連接層之前使用壓差進行正則化，以防止過度擬合。因此可以按如下方式初始化網(wǎng)絡(luò)中的層：

def?__init__(self):
????????super(CNNModel,?self).__init__()

????????#Convolution?1
????????self.cnn1?=?nn.Conv2d(in_channels=1,?out_channels=16,?kernel_size=5,?stride=1,?padding=2)
????????self.relu1?=?nn.ReLU()

????????#Max?pool?1
????????self.maxpool1?=?nn.MaxPool2d(kernel_size=2)

????????#Convolution?2
????????self.cnn2?=?nn.Conv2d(in_channels=16,?out_channels=32,?kernel_size=5,?stride=1,?padding=2)
????????self.relu2?=?nn.ReLU()

????????#Max?pool?2
????????self.maxpool2?=?nn.MaxPool2d(kernel_size=2)

????????#Dropout?for?regularization
????????self.dropout?=?nn.Dropout(p=0.5)

????????#Fully?Connected?1
????????self.fc1?=?nn.Linear(32*7*7,?10)

在用于前向傳播的前向功能中，將每個層應(yīng)用于輸入數(shù)據(jù)以及丟失。此外，在正則化之前，將數(shù)據(jù)展平為線性回歸的一維（第一維是批量大小）。

def?forward(self,?x):
????????#Convolution?1
????????out?=?self.cnn1(x)
????????out?=?self.relu1(out)

????????#Max?pool?1
????????out?=?self.maxpool1(out)

????????#Convolution?2
????????out?=?self.cnn2(out)
????????out?=?self.relu2(out)

????????#Max?pool?2
????????out?=?self.maxpool2(out)

????????#Resize
????????out?=?out.view(out.size(0),?-1)

????????#Dropout
????????out?=?self.dropout(out)

????????#Fully?connected?1
????????out?=?self.fc1(out)
????????return?out

第3部分：創(chuàng)建實例

現(xiàn)在已經(jīng)為卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)建了一個類，需要創(chuàng)建一個它的實例（創(chuàng)建了一個類來確定它的層和前向傳播，但還沒有實際創(chuàng)建一個真正的神經(jīng)網(wǎng)絡(luò)） 。

#Create?instance?of?model
model?=?CNNModel()

還使用交叉熵損失來確定神經(jīng)網(wǎng)絡(luò)輸出的標(biāo)簽。

#Create?instance?of?loss
criterion?=?nn.CrossEntropyLoss()

最后初始化線性回歸/ 函數(shù)。

#Create?instance?of?optimizer?(Adam)
optimizer?=?torch.optim.Adam(model.parameters(),?lr=learning_rate)

第4部分：培訓(xùn)模型

創(chuàng)建網(wǎng)絡(luò)和實例后，準(zhǔn)備使用數(shù)據(jù)集進行訓(xùn)練！遍歷數(shù)據(jù)集，對于每個小批量，執(zhí)行前向傳播，計算交叉熵損失，執(zhí)行后向傳播并使用漸變來更新參數(shù)。

#Train?the?model
iter?=?0
for?epoch?in?range(num_epochs):
????for?i,?(images,?labels)?in?enumerate(train_loader):
????????images?=?Variable(images)
????????labels?=?Variable(labels)

????????#Clear?the?gradients
????????optimizer.zero_grad()

????????#Forward?propagation
????????outputs?=?model(images)??????

????????#Calculating?loss?with?softmax?to?obtain?cross?entropy?loss
????????loss?=?criterion(outputs,?labels)

????????#Backward?propation
????????loss.backward()

????????#Updating?gradients
????????optimizer.step()

????????iter?+=?1

????????#Total?number?of?labels
????????total?=?labels.size(0)

????????#Obtaining?predictions?from?max?value
????????_,?predicted?=?torch.max(outputs.data,?1)

????????#Calculate?the?number?of?correct?answers
????????correct?=?(predicted?==?labels).sum().item()

????????#Print?loss?and?accuracy
????????if?(i?+?1)?%?100?==?0:
????????????print('Epoch?[{}/{}],?Step?[{}/{}],?Loss:?{:.4f},?Accuracy:?{:.2f}%'
??????????????????.format(epoch?+?1,?num_epochs,?i?+?1,?len(train_loader),?loss.item(),
??????????????????????????(correct?/?total)?*?100))

此外，每100個小批量，神經(jīng)網(wǎng)絡(luò)的損失和準(zhǔn)確性。最終輸出應(yīng)如下所示：

第5部分：測試模型

模型經(jīng)過訓(xùn)練，剩下要做的就是測試它！在測試數(shù)據(jù)集上運行神經(jīng)網(wǎng)絡(luò)，將輸出與正確的標(biāo)簽進行比較，并確定整體準(zhǔn)確性。

#Testing?the?model
with?torch.no_grad():
????correct?=?0
????total?=?0
????for?images,?labels?in?test_loader:
????????images?=?Variable(images)
????????labels?=?Variable(labels)
????????outputs?=?model(images)
????????_,?predicted?=?torch.max(outputs.data,?1)
????????total?+=?labels.size(0)
????????correct?+=?(predicted?==?labels).sum().item()

????print('Test?Accuracy?of?the?model?on?the?10000?test?images:?{}?%'.format(100?*?correct?/?total))

結(jié)果

結(jié)果如下！

神經(jīng)網(wǎng)絡(luò)應(yīng)該達到88％-90％的準(zhǔn)確度，與MNIST-數(shù)據(jù)集上的2層CNN的91.6％基準(zhǔn)相比，這是非常好的。請注意，MNIST-數(shù)據(jù)集比原始的MNIST數(shù)字?jǐn)?shù)據(jù)集更難訓(xùn)練。如果想要獲得更高的準(zhǔn)確度，將不得不添加更多層，更多地預(yù)處理數(shù)據(jù)以更好地標(biāo)準(zhǔn)化它，并增加時期數(shù)。

以下是神經(jīng)網(wǎng)絡(luò)的一些預(yù)測：

由卷積神經(jīng)網(wǎng)絡(luò)做出的預(yù)測

如您所見，模型可以正確分類這些衣服！然而，它仍然不完美，因為它錯誤地將最后一個圖像（運動鞋）分類為套頭衫。盡管如此，該模型仍然非常準(zhǔn)確，將努力改進它。

卷積神經(jīng)網(wǎng)絡(luò)圖形

關(guān)于圖書

《深度學(xué)習(xí)之：入門、原理與進階實戰(zhàn)》和《帶我起飛——入門、進階、商業(yè)實戰(zhàn)》兩本圖書是代碼醫(yī)生團隊精心編著的 AI入門與提高的精品圖書。配套資源豐富：配套視頻、QQ讀者群、實例源碼、 配套論壇： 。更多請見：