База данных для обучения CIFAR

http://www.cs.toronto.edu/~kriz/cifar.html

Набор данных СИФАР-10

Набор данных CIFAR-10 состоит из 60000 цветных изображений 32x32 в 10 классах, по 6000 изображений в классе. Есть 50000 учебных изображений и 10000 тестовых изображений.

Набор данных разделен на пять тренировочных партий и одну тестовую партию, каждая из которых содержит 10000 изображений. Тестовая партия содержит ровно 1000 случайно выбранных изображений из каждого класса. Обучающие партии содержат оставшиеся изображения в случайном порядке, но некоторые тренировочные партии могут содержать больше изображений из одного класса, чем из другого. Между ними учебные партии содержат ровно 5000 изображений из каждого класса.

Вот классы в наборе данных, а также 10 случайных изображений из каждого:
самолет
автомобиль
птица
Кот
олень
собака
лягушка
лошадь
корабль
грузовик

Классы полностью взаимоисключающие. Между легковыми и грузовыми автомобилями нет совпадений. «Автомобиль» включает в себя седаны, внедорожники и тому подобное. «Грузовик» включает в себя только большие грузовики. 

Комментарии

Отправить комментарий

Популярные сообщения из этого блога

Создание сверточных нейронных сетей с нуля

Изображение
Источник  https://towardsdatascience.com/a-guide-to-convolutional-neural-networks-from-scratch-f1e3bfc3e2de Создание сверточных нейронных сетей с нуля Сверточные слои: Способ количественной оценки влияния каждого фильтра состоял бы в том, чтобы вычислить оценку для каждого изображения и каждого фильтра.  Чем ближе оценка к единице, тем больше функция влияет на ввод.  Применение фильтра 5x5x3 (полукруг и линия) к изображению 32x32x3 (круг и квадрат) создает карту активации 28x28, которая показывает, где изображение больше всего похоже на фильтр.  Это изображение показывает, что там, где фильтр похож на изображение, оценка высока. Применение фильтра 5x5x3 (полукруг и линия) к изображению 32x32x3 (круг и квадрат) создает карту активации 28x28, которая показывает, где изображение больше всего похоже на фильтр.  Это изображение показывает, что фильтры не похожи на изображение, поэтому оценки низкие. Одна проблема с...
Далее...

Keras. Слои нейронной сети

Истточник  https://www.kaggle.com/yassineghouzam/introduction-to-cnn-keras-0-997-top-6#1.-Introduction  Keras Sequential API, нужно просто добавлять один слой за раз, начиная с ввода. Первый - это сверточный (Conv2D) слой. Это как набор обучаемых фильтров. Я решил установить 32 фильтра для двух первых слоев conv2D и 64 фильтра для двух последних. Каждый фильтр преобразует часть изображения (определяется размером ядра), используя фильтр ядра. Матрица фильтра ядра применяется ко всему изображению. Фильтры можно рассматривать как преобразование изображения. CNN может изолировать функции, которые везде полезны, от этих преобразованных изображений (карты функций). Вторым важным уровнем в CNN является уровень пула (MaxPool2D). Этот слой просто действует как фильтр понижающей дискретизации. Он смотрит на 2 соседних пикселя и выбирает максимальное значение. Они используются для уменьшения вычислительных затрат и в некоторой степени также для уменьшения переоснащения. Мы должн...
Далее...

Просмотреть. ConvNN

Изображение
Материал взят здесь  http://cs231n.github.io/convolutional-networks/ Сверточные нейронные сети (CNNs / ConvNets) Сверточные нейронные сети очень похожи на обычные нейронные сети из предыдущей главы: они состоят из нейронов, которые имеют обучаемые веса и смещения.  Каждый нейрон получает некоторые входные данные, выполняет точечное произведение и, возможно, следует за ним с нелинейностью.  Вся сеть по-прежнему выражает одну дифференцируемую функцию оценки: от необработанных пикселей изображения на одном конце до оценки класса на другом.  И у них все еще есть функция потерь (например, SVM / Softmax) на последнем (полностью подключенном) слое, и все советы / приемы, которые мы разработали для изучения обычных нейронных сетей, по-прежнему применимы. Так что меняется?  Архитектуры ConvNet делают явное предположение, что входные данные являются изображениями, что позволяет нам кодировать определенные свойства в архитектуру.  Это делает функцию пересылки ...
Далее...