[PYTHON] Deep Learning Bilderkennung 2 Modellimplementierung

Aidemy　2020/11/10

Einführung

Hallo, es ist ja! Obwohl es ein knuspriges literarisches System ist, interessierte ich mich für die Möglichkeiten der KI, also ging ich zur KI-Fachschule "Aidemy", um zu studieren. Ich möchte das hier gewonnene Wissen mit Ihnen teilen und habe es in Qiita zusammengefasst. Ich freue mich sehr, dass viele Menschen den vorherigen zusammenfassenden Artikel gelesen haben. Vielen Dank! Dies ist der zweite Beitrag für tiefes Lernen und Bilderkennung. Freut mich, dich kennenzulernen.

• Dieser Artikel ist eine Zusammenfassung dessen, was Sie in "Aidemy" "in Ihren eigenen Worten" gelernt haben. Es kann Fehler und Missverständnisse enthalten. Bitte beachten Sie.

Was diesmal zu lernen ・ Über das Faltungsnetzwerk ・ Informationen zur Modellimplementierung

(Rückblick) Faltungs-Neuronales Netz

Überblick

-__ Convolutional Neural Network (CNN) __ ist eine Deep-Learning-Methode, die hauptsächlich in der Bildverarbeitung verwendet wird. -Das in Kapitel 1 verwendete mehrschichtige Perceptron (MLP) empfing andere durch eindimensionale Eingabe, aber CNN kann Daten empfangen, da sie __ zweidimensional sind, sodass zweidimensionale Daten wie Bilder als Informationen verwendet werden können. Sie können lernen, ohne zu verlieren.

-Das neuronale Faltungsnetzwerk besteht aus __ "Faltungsschicht" __ und __ "Pooling-Schicht" __. Die Faltungsschicht ist eine Schicht, die sich auf einen Teil der Eingabedaten konzentriert und die Eigenschaften des Bildes untersucht. -Die __ Pooling-Schicht __ ist eine Schicht, die die Datenmenge reduziert, indem die __ Ausgabedaten von der Faltungsschicht reduziert werden. Als Methode zur Reduzierung gibt es __ "Max Pooling" __, das den Maximalwert jedes Features annimmt, und __ "Average Pooling" __, das den Durchschnittswert annimmt.

・ Beziehungsdiagramm der Faltschicht

・ Beziehungsdiagramm der Pooling-Ebene (Max Pooling)

Layer-Implementierung

-Dieses Mal werden wir die Ebene mit dem __Sequential-Modell __ implementieren.

• Einer der Ebenentypen ist __ "Dicht" __. Dies ist eine Schicht, in der alle Ein- und Ausgänge verbunden sind. Das folgende Modell verwendet die vollständig verbundene Ebene zweimal.

-Die "Faltschicht" im vorherigen Abschnitt kann mit __ "Conv2D ()" __ implementiert werden. __ "Filter" __ ist die Anzahl der Filter, __ "Kernelgröße" __ ist die Größe des Filters, __ "Schritte" __ ist die Entfernung, um die Filter gleichzeitig zu bewegen, __ "Auffüllen" __ ist __ 'gleich' Wenn __, werden die Eingabegröße und die Ausgabegröße ausgerichtet, und wenn __ 'gültig' __, nicht.

-Die Pooling-Schicht kann mit __ "MaxPooling2D ()" __ für Max Pooling implementiert werden. __ "pool_size" __ gibt die Größe des zu bündelnden Bereichs an, __ "Schritte" __ gibt die Entfernung an, um die der Filter gleichzeitig bewegt werden soll (Schritte müssen nicht angegeben werden).

-Für diese Eingabeebenen geben Sie die Größe der Eingabedaten mit __ "input_dim (eindimensional)" und "input_shape (mehrdimensional)" __ an. Im Fall von (28 × 28) RGB-Bilddaten ist beispielsweise "input_shape = (28,28,3)".

• Wenn Sie eine Ebene __ kombinieren, die __2 Dimensionen wie Conv2D und MaxPooling2D ausgibt, und eine Ebene __, die ___ eindimensionale Eingaben wie Dense __ empfängt, müssen Sie __ "Abflachungsebene" __ hinzufügen Es gibt. -Die Abflachungsebene kann mit __ "Flatten ()" __ hinzugefügt werden, und es ist kein __ Argument erforderlich __.

-Der folgende Code ist ein Beispiel für das Hinzufügen der bisherigen Ebenen. model.add(Conv2D(input_shape=(28, 28, 3), filters=32, kernel_size=(2, 2), strides=(1, 1), padding="same")) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(filters=32, kernel_size=(2, 2), strides=(1, 1), padding="same")) model.add(MaxPooling2D(pool_size=(2, 2)))

Modelllernen

Angabe der Aktivierungsfunktion

• Geben Sie die Aktivierungsfunktion mit __ "model_add (Aktivierung ('Funktionsname'))" __ an. Es gibt __ "Sigmoid" __ für Sigmoid-Funktionen, __ "Relu" __ für ReLU-Funktionen und __ "Softmax" __, die in der Ausgabeebene verwendet werden.

Kompilieren, lernen

• Führen Sie nach dem Hinzufügen einer Ebene zum Modell compile aus. Bei der Kompilierung wird ausgeführt, wie die Lernrate geändert wird, die Verlustfunktionsspezifikation, die Genauigkeitsindexspezifikation usw. Genauer gesagt bedeutet Kompilieren __ "Code analysieren, der in einer höheren Programmiersprache geschrieben ist, und ihn in eine Maschinensprache vorkonvertieren, die direkt von einem Computer ausgeführt werden kann" __. -Kompilierung kann mit __ "model.compile ()" __ erfolgen. __ "Optimierer" __ gibt die Lernrate an, __ "Verlust" __ gibt die Verlustfunktion an, __ "Metriken" __ gibt den Genauigkeitsindex an. ・ Es gibt __ [SGD, RMSprop, Adagrad, Adadelta, Adam] __ usw. für die Lernrate, aber welche verwendet werden soll, wird von __exploratory __ entschieden. -Verlustfunktionen umfassen __mean squared_error (mean_squared_error) , crossentropy (category_crossentropy, binary_crossentropy) __ usw. - Metrics wird häufig als __ "['Genauigkeit']" __ angegeben.

-Das Lernen erfolgt mit __ "model.fit ()" __. Zusätzlich zur Eingabe von Trainingsdaten und der Übergabe eines Etiketts gibt __ "batch_size" __ die Anzahl der Daten an, die gleichzeitig übergeben werden sollen, und __ "epochs" __ die Anzahl der Trainings. Die batch_size wird angegeben, um das am Ende von Kapitel 1 gelernte __ "Mini-Batch-Lernen" __ durchzuführen.

・ Codebeispiel

Bewertung der Modellleistung

• Bewerten Sie die Genauigkeit des trainierten Modells mit __Testdaten __. Dies geschieht mit __ "model.evaluate ()" __. Zusätzlich zur Übergabe der Eingabedaten und der Bezeichnung der Testdaten wird bei verbose = 1 der Berechnungsprozess angezeigt.

Modelle speichern und laden

• Wenn Sie das erstellte Modell speichern, gehen Sie wie folgt vor: __ "model.save ('model.h5')" __.
• Wenn Sie dieses Modell laden, verwenden Sie __ "model.load_model ('model.h5')" __.

-Auch __ damit __ Personen __ dieses Modell anzeigen und bearbeiten können, muss es einmal in das __ "json" __ Format formatiert werden. Dies geschieht mit __ "model.to_json ()" __. -Um dies zu laden, verwenden Sie __ "model_from_json (konvertiertes Modell)" __.

Zusammenfassung

• Bei der Bildverarbeitung wird ein "Faltungs-Neuronales Netzwerk" verwendet, das zweidimensionale Bilddaten verarbeiten kann.
• Als Modellimplementierung wird ein Verfahren verwendet, bei dem die Faltungsschicht und die vollständig verbundene Schicht durch eine Abflachungsschicht verbunden sind und das Modell nach der Kompilierung und dem Training bewertet wird.

Diese Zeit ist vorbei. Vielen Dank für das Lesen bis zum Ende.