Bildklassificering med faltningsnät
Bygg ett CNN, förstå faltning och receptiva fält, och titta in i nätet för att se vad det faktiskt lärt sig.
Alla kunskaper som ingår (48) — i beroendeordning
- 1AMönster och kategorier
- 2BData från vardagen
- 3AInstruktioner i rätt ordning
- 4BAlgoritmiskt tänkande
- 5CFunktioner och koordinatsystem
- 6DDerivata och optimering
- 7CProgrammeringslogik — variabler, villkor, loopar
- 8CPython — grunderna
- 9CPython — listor, loopar och dictionaries
- 10BRegler kontra inlärning
- 11CStatistik — medelvärde, median och spridning
- 12ATal och de fyra räknesätten
- 13BBinära tal och bitar
- 14CHur datorn lagrar text, bilder och ljud
- 15BTräningsdata, features och etiketter
- 16BKlassificering — så sorterar en modell
- 17CDin första prediktiva modell — en rät linje
- 18DGradient descent
- 19CNeuronnät — intuitionen
- 20DVektorer
- 21DMatriser och matrismultiplikation
- 22CBilder som matriser
- 23DFaltning för hand
- 24DLinjär regression med flera features
- 25DNeuronnät — forward pass med matriser
- 26DAktiveringsfunktioner
- 27DBackpropagation
- 28DVad ser nätet? Bilder genom lagren
- 29EFaltningsnät (CNN)
- 30EFörsvinnande och exploderande gradienter
- 31DNumPy — arrayer och vektorisering
- 32EBildförbehandling och augmentering
- 33DOverfitting och generalisering
- 34DPyTorch — tensorer och autograd
- 35DDataloaders, batchar och epoker
- 36EResidualkopplingar
- 37ECNN-arkitekturer: LeNet till ResNet
- 38FObjektdetektion
- 39FSegmentering
- 40DTräning, validering och test
- 41EDatorseende — grunderna
- 42DTräna ett neuronnät i PyTorch
- 43DMNIST från grunden
- 44ERegularisering: dropout, weight decay, early stopping
- 45EDataaugmentering i praktiken
- 46ETransfer learning
- 47EBildklassificering end-to-end
- 48EVisualisera vad ett CNN ser