[PYTHON] Implémentation du modèle Deep Learning pour la reconnaissance d'images

1.Tout d'abord

Cet article vous montre comment implémenter un programme de Deep Learning sur votre ordinateur. Puisque le but est la reconnaissance d'image, nous allons mettre en œuvre un réseau de neurones convolutifs (CNN) à une échelle pratique.

2. Préparation de la machine

Une machine Linux est recommandée car un GPU haute performance est essentiel. Les principaux choix pour les machines Linux sont:

PC de bureau
Environnement virtuel (Virtual Box, etc.)
AWS(Amazon Web Service)

Mettez CentOS ou Ubuntu dans l'un des éléments ci-dessus et utilisez-le.

3. Paramètres du GPU

Pour utiliser le GPU, vous devez installer CUDA et cuDNN. Pour Ubuntu 14.04, reportez-vous à http://qiita.com/shinya_ohtani/items/f374ed0dd51737087369.

4. Installation de Python

Installez une distribution appelée Anaconda sur votre machine Linux, qui contient le Python lui-même et divers modules. La procédure est presque correcte, comme décrit dans http://morimori2008.web.fc2.com/contents/PCprograming/python/pythonAnaconda.html. Cependant, nous allons l'installer en tant qu'utilisateur local ici.

5. Bibliothèque pour le Deep Learning

Ensuite, rendez la bibliothèque de création du modèle DeepLearning disponible en Python. J'ai choisi Theano ici. Depuis le terminal

$ pip install theano

Pour installer Theano.

6. Mise en œuvre du code

Depuis le terminal

$ jupyter notebook

En tapant, l'environnement de développement Python sera lancé. Nous allons implémenter le code là-dessus. Pour la mise en œuvre, http://deeplearning.net/tutorial sera utile. Le code source CNN est également disponible sur ce site et peut être utilisé pour la reconnaissance d'image tel quel.

7. Perspectives d’avenir

À ce stade, vous avez implémenté CNN.

Après cela, collectez les données d'entrée à utiliser réellement et préparez le format d'entrée / sortie pour ces données afin de terminer le programme de reconnaissance d'image.

Recommended Posts

Implémentation du modèle Deep Learning pour la reconnaissance d'images

Implémentation du modèle de reconnaissance d'images d'apprentissage en profondeur 2

Modèle de reconnaissance d'image utilisant l'apprentissage profond en 2016

Reconnaissance d'image en apprentissage profond 3 après la création du modèle

Lire et mettre en œuvre l'apprentissage résiduel profond pour la reconnaissance d'image

Reconnaissance d'image par apprentissage profond 1 théorie

Apprentissage par renforcement profond 2 Mise en œuvre de l'apprentissage par renforcement

[AI] Apprentissage en profondeur pour le débruitage d'image

Othello-De la troisième ligne de "Implementation Deep Learning" (3)

Othello-De la troisième ligne de "Implementation Deep Learning" (2)

Deep learning 1 Pratique du deep learning

Principes de base de la technologie de reconnaissance d'image (pour les débutants)

Apprentissage profond appris par mise en œuvre (segmentation) ~ Mise en œuvre de SegNet ~

Comptez le nombre de paramètres dans le modèle d'apprentissage en profondeur

Techniques pour comprendre la base des décisions d'apprentissage en profondeur

Othello ~ De la troisième ligne de "Implementation Deep Learning" (4) [Fin]

Deep running 2 Réglage de l'apprentissage profond

Apprentissage profond pour la formation composée?

Application de la reconnaissance d'image CNN2

Implémentation de Scale-Space pour SIFT

[Pour les débutants en apprentissage profond] Implémentation d'une classification binaire simple par couplage complet à l'aide de Keras

[Deep Learning from scratch] Implémentation de la méthode Momentum et de la méthode AdaGrad

Traduction japonaise du matériel pédagogique public du diplôme nano d'apprentissage profond

Reconnaissance d'image en temps réel sur les appareils mobiles à l'aide du modèle d'apprentissage TensorFlow

Classifier les ensembles de données d'image CIFAR-10 à l'aide de divers modèles d'apprentissage en profondeur

Distillateur de bibliothèque d'éclaircissement de modèles d'apprentissage profond

Apprentissage profond appris par l'implémentation 1 (édition de retour)

Reconnaissance d'image des fruits avec VGG16

J'ai recherché une carte similaire de Hearthstone avec Deep Learning

Résumé des pages utiles pour étudier le framework d'apprentissage profond Chainer

Introduction au Deep Learning pour la première fois (Chainer) Reconnaissance de caractères japonais Chapitre 3 [Reconnaissance de caractères à l'aide d'un modèle]

Python: principes de base de la reconnaissance d'image à l'aide de CNN

Signification des modèles et paramètres d'apprentissage en profondeur

Qiskit: mise en œuvre de l'apprentissage des circuits quantiques (QCL)

Créez votre propre PC pour un apprentissage en profondeur

Essayez l'apprentissage profond de la génomique avec Kipoi

Algorithme d'apprentissage automatique (implémentation de la classification multi-classes)

Visualisez les effets de l'apprentissage profond / de la régularisation

Analyse émotionnelle des tweets avec apprentissage en profondeur

Alignement d'image: du SIFT au deep learning

[Apprentissage en profondeur] Détection de visage Nogisaka ~ Pour les débutants ~

Reconnaissance d'image

L'apprentissage en profondeur

Enregistrement d'apprentissage de la lecture "Deep Learning from scratch"

À propos du traitement d'expansion des données pour l'apprentissage en profondeur

Introduction au Deep Learning pour la première fois (Chainer) Reconnaissance de caractères japonais Chapitre 2 [Génération de modèles par apprentissage automatique]

Python vs Ruby "Deep Learning from scratch" Chapitre 4 Implémentation de la fonction de perte

Implémentation Python du modèle Markov caché continu

Python vs Ruby "Deep Learning from scratch" Chapitre 3 Implémentation d'un réseau neuronal à 3 couches

Apprentissage automatique: reconnaissance d'image de MNIST à l'aide de PCA et de Gaussian Native Bayes

Deep Learning from scratch La théorie et la mise en œuvre de l'apprentissage profond appris avec Python Chapitre 3

Créez un environnement python pour apprendre la théorie et la mise en œuvre de l'apprentissage profond

Python: Apprentissage en profondeur dans le traitement du langage naturel: Implémentation d'un système de sélection de phrases de réponses

Mise en place d'un modèle de prédiction des taux de change (taux dollar-yen) par machine learning

L'histoire de l'apprentissage profond avec TPU

J'ai essayé la reconnaissance d'image de CIFAR-10 avec Keras-Learning-

L'histoire selon laquelle le coût d'apprentissage de Python est faible