Kösz a megosztást!
Én a sztenderd mennyit fog érni az ingatlanod típusú tutorialt nézegettem + Pluralsight, de sajna kevés volt ahhoz, hogy megalapozzam a tudásom a tökéletes tőzsde-géphez.
Ellopom a munkád és tanulok belőle.
[ Szerkesztve ]
Kösz a megosztást!
Én a sztenderd mennyit fog érni az ingatlanod típusú tutorialt nézegettem + Pluralsight, de sajna kevés volt ahhoz, hogy megalapozzam a tudásom a tökéletes tőzsde-géphez.
Ellopom a munkád és tanulok belőle.
[ Szerkesztve ]
Nincs kedved írni Tensorflow tutorialt? 15 éve programozok, érdekel ez is, de Youtube videókból nem igazán esett le, mi miért merre.
Örülök, hogy valaki hasznát veszi ennek a kevésnek is
IO.sys: Az nehéz volna, mert semennyire sem értek hozzá, tényleg csak a tutorialt követtem.
[ Szerkesztve ]
Pár észrevétel:
1. Érdemes inkább Python vagy C++-ot használni, a C Api még nem támogatja az összes Tensorflow API-t. Lasd link Current Status, bár kérdés mennyire használod ki.
2. Nem azért színezzük, mert Fancy . Hanem class annotáció miatt , itt egy példa kép. Bár a te leírásodhoz talán nem kapcsolódik, nem tudom, hogy pontosan mit akartál színezés alatt érteni, de objektum detektálás miatt használják, a gépi intelligencia tanítatása supervised learning-gel (felügyelt tanulással, megmondjuk neki mi micsoda), erre van egy jó egyetemi projekt is.
3. Tutorialban a CNN architektúra ami használva van, az a MobilNet, másik architektúrával pontosabb eredményt is el lehet érni, bár ez függ a bemeneti képek "témájától" is. VGG, FCN, SegNet, AlexNet, ezek mind-mind más arhictektúrák, más performancia, pontosság, stb.
4. Lehet pontosabb eredményt kapsz, ha a Hyperparametéert változtatod (esetleg filter/kernel - ezt a fogalmat láttam, hogy ugyanarra használják) a Tutorialt amit csináltál, ott a 7. szakaszban leírja.
+1 Megnéztem a Valid képeket, amelyeket Invalidnak jelölt, két dolgot figyeltem meg. 3 olyan képet jelölt meg invalidnak, ahol látott egy színből négyzet alakot/téglalapot, az egyik a 86-os volt. Az invalid képeknél látszik, hogy mindig van egyszínű négyszet. 2-nél meg azt vettem észre, hogy a viharszeme, ha szabad így mondanom, nagyon el van nyújtva.
+2 "AI/machine learning/bullsitbingó" - kihagytad a "Deep Learning"-et.
[ Szerkesztve ]
Ez az egész egy már létező projektre "épült" rá teszt jelleggel, tehát a kis színes képek eddig is voltak, sőt osztályozás is, csak más feltételekkel. Amit most ki akartam próbálni, az annyi, hogy az ML mit hoz ki belőle. 1. Tehát nem C-ben van, hanem a sima TF for poets retrain.py-t használtam.
2. Igazából azért csináltam a szivárvány színezést, hogy fejlesztés közben lássam, hogy a mozgásbecslő algoritmus, jól működik-e. Aztán megtetszett, és benne hagytam. Meg fancy
3. Ehhez nem tudom hozzászólni, lehet butaságot írok, de nekem az Inception v3 rémlett.
4. Meglesem, kösz.
+1 Jó észrevétel, de a 84-re gondoltál, nem?
3. Nem néztem végig a videót, csak a kommentjét, ahol a "TensorFlow For Poets" című google anyagot linkelte be a feltöltő, és azt néztem át gyorsan 2 perc alatt, szóval ezért ez a hivatkozási alapom.
És itt írja a következőket:
In this exercise, we will retrain a MobileNet. MobileNet is a a small efficient convolutional neural network. "Convolutional" just means that the same calculations are performed at each location in the image.
The MobileNet is configurable in two ways:
Input image resolution: 128,160,192, or 224px. Unsurprisingly, feeding in a higher resolution image takes more processing time, but results in better classification accuracy.
The relative size of the model as a fraction of the largest MobileNet: 1.0, 0.75, 0.50, or 0.25.
We will use 224 0.5 for this codelab.
De 84 és 95-ös meg 76. képek, meg a 98-as is olyan a jobb oldali piros téglalapm talán még 57-esre is rá lehet mondasni.