[PYTHON] Implementierung eines Deep Learning-Modells zur Bilderkennung

1. Zuallererst

Dieser Artikel zeigt Ihnen, wie Sie ein Deep Learning-Programm auf Ihrem Computer implementieren. Da der Zweck die Bilderkennung ist, werden wir ein Faltungs-Neuronales Netzwerk (CNN) in praktischem Maßstab implementieren.

2. Maschine vorbereiten

Ein Linux-Computer wird empfohlen, da eine Hochleistungs-GPU unerlässlich ist. Die Hauptoptionen für Linux-Computer sind:

Desktop-PC
Virtuelle Umgebung (Virtual Box usw.)
AWS(Amazon Web Service)

Setzen Sie CentOS oder Ubuntu in eines der oben genannten ein und verwenden Sie es.

3. GPU-Einstellungen

Um die GPU verwenden zu können, müssen Sie CUDA und cuDNN installieren. Informationen zu Ubuntu 14.04 finden Sie unter http://qiita.com/shinya_ohtani/items/f374ed0dd51737087369.

4. Python-Installation

Installieren Sie eine Distribution namens Anaconda auf Ihrem Linux-Computer, die Python selbst und verschiedene Module enthält. Das Verfahren ist fast in Ordnung, wie unter http://morimori2008.web.fc2.com/contents/PCprograming/python/pythonAnaconda.html beschrieben. Wir werden es hier jedoch als lokaler Benutzer installieren.

5. Bibliothek für tiefes Lernen

Stellen Sie als Nächstes die Bibliothek zum Erstellen des DeepLearning-Modells in Python zur Verfügung. Ich habe hier Theano gewählt. Vom Terminal

$ pip install theano

So installieren Sie Theano.

6. Code-Implementierung

Vom Terminal

$ jupyter notebook

Durch Eingabe wird die Python-Entwicklungsumgebung gestartet. Wir werden den Code dazu implementieren. Für die Implementierung ist http://deeplearning.net/tutorial hilfreich. Der CNN-Quellcode ist auch auf dieser Site verfügbar und kann so wie er ist zur Bilderkennung verwendet werden.

7. Zukunftsaussichten

Zu diesem Zeitpunkt haben Sie CNN implementiert.

Danach wird das Bilderkennungsprogramm abgeschlossen, indem die tatsächlich zu verwendenden Eingabedaten gesammelt und das Eingabe- / Ausgabeformat für diese Daten angepasst werden.

Recommended Posts

Implementierung eines Deep Learning-Modells zur Bilderkennung

Deep Learning Bilderkennung 2 Modellimplementierung

Bilderkennungsmodell mit Deep Learning im Jahr 2016

Deep Learning Bilderkennung 3 nach der Modellerstellung

Lesen und implementieren Sie Deep Residual Learning für die Bilderkennung

Deep Learning Bilderkennung 1 Theorie

Tiefes Lernen der Verstärkung 2 Implementierung des Lernens der Verstärkung

[AI] Deep Learning für das Entrauschen von Bildern

Othello-Aus der dritten Zeile von "Implementation Deep Learning" (3)

Othello-Aus der dritten Zeile von "Implementation Deep Learning" (2)

Deep Learning 1 Übung des Deep Learning

Grundprinzipien der Bilderkennungstechnologie (für Anfänger)

Tiefes Lernen durch Implementierung (Segmentierung) ~ Implementierung von SegNet ~

Zählen Sie die Anzahl der Parameter im Deep-Learning-Modell

Techniken zum Verständnis der Grundlagen von Deep-Learning-Entscheidungen

Othello ~ Aus der dritten Zeile von "Implementation Deep Learning" (4) [Ende]

Deep Running 2 Tuning von Deep Learning

Deep Learning für die Bildung von Verbindungen?

Anwendung der CNN2-Bilderkennung

Implementierung von Scale-Space für SIFT

[Für Anfänger im Deep Learning] Implementierung einer einfachen binären Klassifizierung durch vollständige Kopplung mit Keras

[Deep Learning von Grund auf neu] Implementierung der Momentum-Methode und der AdaGrad-Methode

Japanische Übersetzung der öffentlichen Unterrichtsmaterialien des Deep Learning Nano Degree

Echtzeit-Bilderkennung auf Mobilgeräten mithilfe des TensorFlow-Lernmodells

Klassifizieren Sie CIFAR-10-Bilddatensätze mithilfe verschiedener Modelle des Deep Learning

Deep Learning Model Lightening Library Distiller

Deep Learning durch Implementierung 1 gelernt (Return Edition)

Bilderkennung von Früchten mit VGG16

Ich suchte mit Deep Learning nach einer ähnlichen Karte von Hearthstone

Zusammenfassung der Seiten, die zum Studium des Deep Learning Framework Chainer nützlich sind

Einführung in Deep Learning zum ersten Mal (Chainer) Japanische Zeichenerkennung Kapitel 3 [Zeichenerkennung anhand eines Modells]

Python: Grundlagen der Bilderkennung mit CNN

Bedeutung von Deep-Learning-Modellen und -Parametern

Qiskit: Implementierung von Quantum Circuit Learning (QCL)

Machen Sie Ihren eigenen PC für tiefes Lernen

Versuchen Sie mit Kipoi tiefes Erlernen der Genomik

Algorithmus für maschinelles Lernen (Implementierung einer Klassifizierung mit mehreren Klassen)

Visualisieren Sie die Auswirkungen von Deep Learning / Regularisierung

Emotionale Analyse von Tweets mit Deep Learning

Bildausrichtung: von SIFT bis Deep Learning

[Deep Learning] Nogisaka Gesichtserkennung ~ Für Anfänger ~

Bilderkennung

Tiefes Lernen

Lernbericht über das Lesen von "Deep Learning von Grund auf neu"

Informationen zur Datenerweiterungsverarbeitung für tiefes Lernen

Einführung in Deep Learning zum ersten Mal (Chainer) Japanische Zeichenerkennung Kapitel 2 [Modellgenerierung durch maschinelles Lernen]

Python vs Ruby "Deep Learning von Grund auf neu" Kapitel 4 Implementierung der Verlustfunktion

Python-Implementierung eines kontinuierlichen Hidden-Markov-Modells

Python vs Ruby "Deep Learning von Grund auf neu" Kapitel 3 Implementierung eines dreischichtigen neuronalen Netzwerks

Maschinelles Lernen: Bilderkennung von MNIST mithilfe von PCA und Gaussian Native Bayes

Deep Learning von Grund auf neu Die Theorie und Implementierung des mit Python erlernten Deep Learning Kapitel 3

Erstellen Sie eine Python-Umgebung, um die Theorie und Implementierung von Deep Learning zu erlernen

Python: Deep Learning in der Verarbeitung natürlicher Sprache: Implementierung eines Antwortsatzauswahlsystems

Implementierung eines Modells, das Wechselkurse (Dollar-Yen-Kurs) durch maschinelles Lernen vorhersagt

Die Geschichte des tiefen Lernens mit TPU

Ich habe versucht, Bilder mit CIFAR-10 mit Keras-Learning- zu erkennen.

Die Geschichte, dass die Lernkosten von Python niedrig sind