주, 컨볼 루션 신경망 모델의 주요 구성 요소는, 메인 영상의 유형 식별에 대응 한 화상은 예측 될 수있다
다음은 사진의 종류에 할 수있는 바이 아무것도에서 사진과 고양이의 식별 및 개를 찾기 위해 인터넷에서 크롤링 후 달성
첫째, 이들의 로컬 폴더에 오르기 위해 인터넷에서 일부 사진을 찍고, 그리고 이미지가 레이블을 해당 레이블이 표시됩니다.
온라인 상태 일, 개와 고양이의 이미지의 선택,
크롤링 마크의 그림, 고양이 사진은 A, B 개 태그 사진을 표시
해당 그림의 이름은 개 사진 사이트를 크롤링, 범용 카테고리를 표시합니다 :
https://www.ivsky.com/tupian/gou_t116/index_2.html의 페이지
해당 고양이 페이지 사진, 유형의 그림 크롤링의 고양이
이미지 합계 유형의 두 종류
라벨 태그 모음 + (152 개) 사진
코드의 코드 부분입니다 크롤링하는 등 다음 :( 배출되지, HTML 나는) 하나의 모듈을 썼다
훈련 모델을 구축 한 후, 화상의 크기에 대응하는 단일 40 * 40로 확장 및 대응하는 이미지 태그, 구성체의 한 식별 기능 (40)의 폭의 두 종류 및 콘벌 루션 신경망 모델의 높이 (40)를 취득 제 1 층은 컨벌루션 출력 채널 (32) 크기 (부호 미도시)의 콘볼 루션 출력 채널 층의 제 2 사이즈 64
최적화와 아담 최적화, 최적화 빠르게 되돌아
사진은 / 인식으로 0.001 250 학습 모델 교육 및 모델의 그것의 비율은 저장
과정을 교육 :
(250) 인식 후에는 해당 사진 인식 결과가 사실 잘 맞는 테스트하는 사진의 실제 사용의 효과를 인식해야 볼 수 있습니다
좋은 모델을 학습 한 후에는 검사에게 그것을 아무 상관이없는, 모델의 정확성을 확인하기 위해 개와 고양이의 사진을 몇 장을 찾는 것입니다.
내가 직접 바이에 각각 고양이와 개를 검색하여 사진을 몇 다음
무작위로 몇 운이 아이들을 잡아 한 후, 다음과 같은 몇 가지 사진입니다 :
우리는 훈련의 시간에, 나는 A와 B에 고양이 설정의 종류, 개 유형, 다음 아래 해당 예측 그림이 될 것 다섯 개 사진을 선택했습니다.
우리는 결과가 의심 :
U는 강아지가 대응 .... = 231
U 126 .... 고양이 B에 대응 =
U는 B 고양이에 대응 = 141 ...
U는 강아지 대응 = 192 ...
U는 강아지 대응 = 327 ...
그럼 그냥 코드의 컨볼 루션 훈련 신경망 모델을 읽고, 처음 균일하게 시간을 대체, 40 * 40의 크기를 확장 한 후이 사진의 범주를 판단하는 :( 예측 길쌈 신경망 모델을 소프트 맥스 함수는 함수) S 자형 더 나은 결과 시그 모이 드 함수 분류 분류 화상 인식 부보다 능력 및 그 반대도 마찬가지을 갖는다
우리는뿐만 아니라 그것을 볼 수 있습니다
이 그림 후, 다른 사진은 정확하게 식별 할 수 있습니다.
육안에서 실제로이 강아지의 사진 또한 2 종 고양이처럼 조금 만 152 트레이닝 세트, 결국, 그림의 형태로 연결되어야 개를 훈련에 집중되지 않을 수 있습니다 보인다.
5 개 이미지 약 80 %의 인식률 (결과 튜닝 파라미터를 실시하지 않음)