Це третя частина моєї серії наукових даних і машинного навчання про глибоке навчання на Python. На даний момент ви вже багато знаєте про нейронні мережі та глибоке навчання, включаючи не лише основи, такі як зворотне поширення, але й те, як покращити це за допомогою сучасних методів, таких як імпульс і адаптивні темпи навчання. Ви вже писали глибокі нейронні мережі в Theano та TensorFlow і знаєте, як запускати код за допомогою GPU.

У цій книзі йдеться про те, як використовувати глибоке навчання для комп’ютерного зору за допомогою згорткових нейронних мереж. Це сучасний рівень класифікації зображень, і вони перемагають глибокі мережі в таких завданнях, як MNIST.

У цьому курсі ми підвищимо ставку та розглянемо номер будинку StreetView (SVHN). ) набір даних, який використовує більші кольорові зображення під різними кутами, тому ситуація стане складнішою як з точки зору обчислень, так і з точки зору складності завдання класифікації. Але ми покажемо, що згорткові нейронні мережі, або CNN, здатні впоратися з цим викликом!

Оскільки згортка є центральною частиною цього типу нейронних мереж, ми збираємося докладніше розібратися в цьому тема. Він має більше застосувань, ніж ви можете собі уявити, наприклад, моделювання штучних органів, таких як підшлункова залоза та серце. Я покажу вам, як створювати згорткові фільтри, які можна застосовувати до аудіо, як-от ефект луни, і як створювати фільтри для ефектів зображення, як-от розмиття за Гаусом і виявлення країв.

Після опису архітектури згорткової нейронної мережі ми перейдемо безпосередньо до коду, і я покажу вам, як розширити глибокі нейронні мережі, які ми створили минулого разу, лише кількома новими функціями, щоб перетворити їх на CNN. Потім ми перевіримо їх ефективність і покажемо, як згорткові нейронні мережі, написані як Theano, так і TensorFlow, можуть перевершити точність звичайної нейронної мережі на наборі даних StreetView House Number.