應用你的卷積神經網絡:按需網絡研討會和FAQ現在可用!
2018年11月13日 在工程的博客
10月25日,我們舉辦了一個研討會應用卷積神經網絡——丹尼李,在磚技術產品營銷經理。這是第三個免費的深度學習基本係列的研討會從磚。
在這個網絡研討會,我們潛入更深的卷積神經網絡(cnn),一種特殊的神經網絡,假設輸入的圖像,並已被證明非常有效的圖像分類和目標識別。
特別是,我們討論過:
- CNN的架構,與節點安排在3 d寬度、高度和深度允許應用卷積濾波器來提取特征。
- 卷積內核(過濾器)如何工作包括如何選擇濾波器的大小,進步,填充來提取特征區域的像素的輸入圖像。
- 池、二次抽樣技術來減少圖像大小減少參數的數量因此過度擬合的風險。
我們演示了這些概念的一些使用Keras磚(TensorFlow端),這裏是一個鏈接到我們的筆記本今天開始:
你仍然可以看下麵的第1部分和第2部分:
如果你想免費獲取磚統一分析平台Beplay体育安卓版本並嚐試我們的筆記本,你可以訪問在這裏免費試用。
到最後,我們舉行了一個問答,下麵的問題和答案,按主題分組。
基本麵
問:我真的需要了解背後的數學神經網絡使用神經網絡?
雖然不是完全必要了解背後的數學神經網絡使用,重要的是要理解這些基本麵選擇合適的算法和了解如何優化,改善,建築師你深度學習和機器學習模型。關於這一主題的一篇好文章是Wale Akinfaderin機器學習的數學。
卷積神經網絡
問:為什麼使用cnn代替常規神經網絡?和你如何使用cnn在現實生活中,你能分享的例子應用程序嗎?
來源:https://cs231n.github.io/convolutional-networks/
更深入的討論訓練神經網絡卷積神經網絡(cnn)類似於普通人工神經網絡但前者使明確假設的輸入圖像。問題是完全連接人工神經網絡(如左邊的圖形可視化的)不規模與圖像。例如,一個200 x 200像素掃描x 3顏色通道(例如RGB)將導致120000的重量。更大或更複雜的圖像(wise)頻道,需要更多的權重。在cnn的情況下,節點隻連接到一個小區域前層組織在3 d(寬度、高度、深度)。隨著節點完全連接,這減少了權重的數量(即基數)從而使網絡更快地完成傳遞。
問:美國有線電視新聞網是一個網絡層的大小和類型。我如何選擇呢?基於什麼?換句話說,我怎麼設計我的架構?
正如介紹神經網絡點播網絡研討會和FAQ,而你的起點上有一般的經驗法則(如從一個隱藏層並相應地擴大,輸入節點數等於的維數特征,等等),關鍵是,你需要測試。,訓練你的模型,然後運行測試和/或驗證違背模型來理解的準確性(更高更好)和損失(低更好)。架構的設計,最好開始更好的理解和研究架構(例如AlexNet, LeNet-5,《盜夢空間》,VGG, ResNet,等等)。從這裏,您可以調整數量、大小和類型的層當你運行你的實驗。
問:為什麼使用softmax完全連接層?
當我們使用邏輯回歸,這假定伯努利分布二元分類。當你需要申請兩個多分類器(如MNIST分類問題,我們需要泛化的伯努利分布多項式分布。的回歸類型應用於多項分布(multi-classifier)被稱為softmax回歸。MNIST,我們分類手寫數字之間的一些價值0,…,9在完全連接層因此softmax的使用。
問:過濾器的大小總是奇數嗎?
過濾器尺寸是常用的方法x f在哪裏f是一個奇數。雖然沒有明確喊道:幻燈片39的應用神經網絡,f是一個奇數,因為目標是卷積源像素及其周圍的像素。最少是一個3 x 3過濾器尺寸自源+ 1像素,在二維空間。
通過一個更f大小,這將導致卷積不到一半源周圍的像素像素。下潛更深,所以可以在應對這個問題https://datascience.stackexchange.com/questions/23183/why-convolutions-always-use-odd-numbers-as-filter-size/23186。
問:我怎樣才能實現一個CNN與變量輸入長度?也就是說,任何建議的訓練數據變量大小的圖片嗎?
一般來說,你需要調整你的照片或在他們所有的輸入圖像為CNN是相同的大小。有一些方法涉及LSTMs RNNs或遞歸神經網絡(特別是文本數據)可以處理變量大小的輸入的注意,這通常是一項簡單的任務。
毫升環境與資源
問:我是付費用戶數據磚。我知道如何在自己的電腦上運行Keras,但尚未在磚。
當使用磚時,旋轉了磚運行時機器學習集群,包括但不限於Keras TensorFlow, XGBoost Horovod, scikit-learn。有關更多信息,請參考宣布磚運行時機器學習。
問:我們有一個類似的會話毫升?
有很多很好磚在線研討會可用;那些專注於機器學習包括(但不限於):
- 引入MLflow:基礎設施生命周期為一個完整的機器學習
- 並行化R代碼使用Apache®火花
- Productionizing Apache火花™MLlib實時預測模型
- 磚和機器學習的是如何推動基因組學的未來
- GraphFrames: DataFrame-based圖表為Apache®引發™
- Apache®火花™MLlib:從Scikit-Learn快速啟動