学习笔记(05):TensorFlow 实战教程:如何用卷积神经网络打造图片识别应用-TensorFlow 实战教程:如何用卷积神经网络快速打造图片识别应用(上)...
立即学习:https://edu.****.net/course/play/5278/95929?utm_source=blogtoedu
tensorflow/models 仓库
slim --针对图像识别的api
datasets ——数据下载与打包
deployment——多机多卡加速训练时使用
nets——tensorflow提供的模型(重要)
preprocessing——数据预处理,数据增广(亮度调整等)
scripts——示例脚本
剩余文件——看文件名调用(实际会用到的东西)
卷积神经网络基础单元
卷积,**函数,池化,批归一化,Dropout
卷积——从图像中抽取特征
局部相关性,中心感受野(多层卷积对中心更感兴趣)
**函数——非线性扭曲
池化——缩减图片,减小计算量
信息保留与过滤,平移不变性(让卷积保持不同位置的注意力)
批归一化——在处理后规整数据,加速训练和收敛
Dropout——减少过拟合(特征必须特别符合才认识),可能会使收敛变慢
优秀模型解析
AlexNet(卷积)
VGG(更深)
ResNet(残差传递,超越了深度的限制)
INception(Branch结构,非对称卷积)
DenseNet(新方向,综合上述结构)
数据经过网络时选择的路径多少可能决定学习的好坏
训练自己的模型
- 数据准备(需要修改代码)
- 模型选择
- 启动训练
- 过程监控
- 结果评估(需要修改代码)
- 上线测试(需要修改代码)
数据准备
数据格式:TFRecord
生成工具:datasets/download_and_convert_flowers.py(适合自然图像)
num_validation:保留多少数据作为验证集(一般10%)