Последние 3 дня были одними из моих лучших дней в изучении науки о данных. За последние два дня я начал с Глубокого обучения и Сверточных нейронных сетей.
Поскольку у меня уже есть домашнее задание по курсу нейронных сетей для классификации изображений, я воспользовался этой возможностью, чтобы начать изучать различные фреймворки (а именно PyTorch и TensorFlow). Google и их мастерство в машинном обучении). После моей первой попытки построить CNN для Набора данных Intel Image Classification Dataset от Kaggle я вскоре почувствовал себя не в своей тарелке и у меня не было интуитивного понимания моделирования CNN (но определенно я собираюсь потратить еще немного времени) , особенно при попытке понять слои. После нескольких попыток использования Keras я, вероятно, подумал: если, по крайней мере, не внедрять Pytorch, я должен хотя бы проверить, что происходит на другой стороне TensorFlow, поэтому я сделал то, что обычно делают все, прыгнул на YouTube и поискал PyTorch и наткнулся на это видео.
До этого видео у меня сложилось впечатление, что PyTorch был больше ориентирован на исследования, а Google был лидером в реальном мире приложений. Хотя предыдущее утверждение по-прежнему верно, но еще один пионер машинного обучения (Tesla) не знал, что использует PyTorch для своей автономной системы вождения.
Так что это привело меня к тому, что я обратился к столь любимому исследователями и энтузиастами Python фреймворку «PyTorch».
Я искал такие темы, как PyTorch против TensorFlow, Кто создал каждый из них, Какой из них лучше. (Первый и третий вопросы весьма субъективны и являются предметом постоянных дискуссий.)
Итак, прежде чем приступить к созданию простой CNN, я потратил некоторое время на изучение документации PyTorch и просмотр видео для начинающих в PyTorch.
Использование PyTorch и построение CNN для моей домашней работы было очень интуитивно понятным, а также я смог лучше понять работу модели и оставил чувство гибкости при работе с PyTorch. Таким образом, за последние несколько дней я полностью вложился в PyTorch и CNN и применил их на практике, и в настоящее время у меня есть достаточно приличная модель в качестве отправной точки с точностью теста 76% для классификации изображений Multi Class.
В ближайшие несколько дней я попытаюсь оптимизировать текущую модель, а также поработаю над визуализацией прогнозируемых и фактических значений.
Мои соцсети:
