fast.ai 深度学习笔记:第一部分第一课
入门 [0:00]:
- 为了训练神经网络,你肯定需要图形处理单元(GPU) - 特别是 NVIDIA GPU,因为它是唯一支持 CUDA(几乎所有深度学习库和从业者都使用的语言和框架)的设备。
- 租用 GPU 有几种方法:Crestle [04:06] ,Paperspace [06:10]
Jupyter 笔记本和猫狗识别的介绍 [12:39]
- 你可以通过选择它并按下
shift+enter
来运行单元格(你可以按住shift
并多次按enter
键来继续下拉单元格),或者你可以单击顶部的“运行”按钮。单元格可以包含代码,文本,图片,视频等。 - Fast.ai 需要 Python 3
%reload_ext autoreload %autoreload 2 %matplotlib inline
# This file contains all the main external libs we'll use from fastai.imports import *
from fastai.transforms import * from fastai.conv_learner import * from fastai.model import * from fastai.dataset import * from fastai.sgdr import * from fastai.plots import *
PATH = "data/dogscats/" sz=224
先看图片 [15:39]
!ls {PATH}
models sample test1 tmp train valid
-
!
表明使用 bash(shell)而不是 python - 如果你不熟悉训练集和验证集,请查看 Practical Machine Learning 课程(或阅读 Rachel 的博客)
!ls {PATH}valid
cats dogs
files = !ls {PATH}valid/cats | head files
['cat.10016.jpg', 'cat.1001.jpg', 'cat.10026.jpg', 'cat.10048.jpg', 'cat.10050.jpg', 'cat.10064.jpg', 'cat.10071.jpg', 'cat.10091.jpg', 'cat.10103.jpg', 'cat.10104.jpg']
- 此文件夹结构是共享和提供图像分类数据集的最常用方法。 每个文件夹都会告诉你标签(例如
dogs
或cats
)。
img = plt.imread(f' {PATH} valid/cats/ {files[0]} ') plt.imshow(img);
-
f'{PATH}valid/cats/{files[0]}'
- 这是一个 Python 3.6 格式化字符串,可以方便地格式化字符串。
img.shape
(198, 179, 3)
img[:4,:4]
array([[[ 29, 20, 23], [ 31, 22, 25], [ 34, 25, 28], [ 37, 28, 31]],
[[ 60, 51, 54], [ 58, 49, 52], [ 56, 47, 50], [ 55, 46, 49]],
[[ 93, 84, 87], [ 89, 80, 83], [ 85, 76, 79], [ 81, 72, 75]],
[[104, 95, 98], [103, 94, 97], [102, 93, 96], [102, 93, 96]]], dtype=uint8)
-
img
是一个三维数组(又名 3 维张量) - 这三个维度(例如
[29, 20, 23]
)表示 0 到 255 之间的红绿蓝像素值 - 我们的想法是利用这些数字来预测这些数字是代表猫还是狗,基于查看猫和狗的大量图片。
- 这个数据集来自 Kaggle 竞赛,当它发布时(早在 2013 年),最先进的技术准确率为 80%。
让我们训练一个模型 [20:21]
以下是训练模型所需的三行代码:
data = ImageClassifierData.from_paths(PATH, tfms=tfms_from_model(resnet34, sz)) learn = ConvLearner.pretrained(resnet34, data, precompute= True ) learn.fit (0.01, 3)
[ 0. 0.04955 0.02605 0.98975] [ 1. 0.03977 0.02916 0.99219] [ 2. 0.03372 0.02929 0.98975]
- 这将执行 3 个迭代,这意味着它将三次查看整个图像集。
- 输出中的三个数字中的最后一个是验证集上的准确度。
- 前两个是训练集和验证集的损失函数值(在这种情况下是交叉熵损失)。
- 开始(例如,
1.
)是迭代数。 - 我们通过 3 行代码在 17 秒内达到了 ~99% (这将在 2013 年赢得 Kaggle 比赛)![21:49]
- 很多人都认为深度学习需要大量的时间,大量的资源和大量的数据 - 一般来说,这不是真的!
阅读更多
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
Python 数据类型 list(1)
定义 在python中,用方括号表示一个list,[ ] 在方括号里面,可以是int,也可以是str类型的数据,甚至也能够是True/False这种布尔值。看下面的例子,特别注意阅读注释。 >>> a=[] #定义了一个变量a,它是list类型,并且是空的。 >>> type(a) <type 'list'> #用内置函数type()查看变量a的类型,为list >>> bool(a) #用内置函数bool()看看list类型的变量a的布尔值,因为是空的,所以为False False >>> print a #打印list类型的变量a [] 不能总玩空的,来点实的吧。 >>> a=['2',3,'hiekay.github.io'] >>> a ['2', 3, 'hiekay.github.io'] >>> type(a) <type 'list'> >>> bool(a) True >>> prin...
- 下一篇
用阿里云函数计算部署thinkphp5.1
thinkphp国内还是用的很多的哈,我自己就用哈。所以研究了一下用函数计算部署tp5。其中借鉴和学习了@rsong 的文章:《十分钟上线-函数计算玩转 WordPress》 这里是TP5的演示:https://31199382.cn-beijing.fc.aliyuncs.com/2016-08-15/proxy/web-site/tp5/其实也没什么好演示的,就是纯净的tp5 ( ̄▽ ̄)~* 步骤: 1.后台创建php7.2环境的函数,创建http触发器,这些就不详细写了,可以去看文档。 2.打开tp5的入口文件(/public/index.php)在namespace think; 这句的下面,加如下代码: if(!$_SERVER['PATH_INFO']) $_SERVER['PATH_INFO'] = preg_replace("/^(\?s\=\/)/","",$_SERVER['REQUEST_URI']); 3.准备tp5源码,在根目录创建index.php文件(作为函数的入口文件),代码如下:(第一次在阿里云博客上写文章哈,有点手生) <?php #自定义的域...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS8编译安装MySQL8.0.19
- Windows10,CentOS7,CentOS8安装Nodejs环境
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- Eclipse初始化配置,告别卡顿、闪退、编译时间过长
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- SpringBoot2整合Thymeleaf,官方推荐html解决方案
- SpringBoot2整合Redis,开启缓存,提高访问速度
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS7,8上快速安装Gitea,搭建Git服务器
- Docker安装Oracle12C,快速搭建Oracle学习环境