Sách Deep Learning cơ bản

Recommendations

Info

150 Chương 11. Transfer learning và data augmentationDạng thứ hai giống như bài logistic regression, tức là model chỉ phân loại 2 class. Mỗi lần ta sẽphân loại 1 class với tất cả các class còn lại.# -*- coding: utf-8 -*-# Thêm thư việnHình 11.3: 1 vs all classification [13]
11.1 Transfer learning 151from sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import GridSearchCVfrom sklearn.metrics import classification_reportfrom imutils import pathsfrom keras.applications import VGG16from keras.applications import imagenet_utilsfrom keras.preprocessing.image import img_to_arrayfrom keras.preprocessing.image import load_imgfrom sklearn.preprocessing import LabelEncoderfrom sklearn.model_selection import train_test_splitimport numpy as npimport randomimport os# Lấy các đường dẫn đến ảnh.image_path = list(paths.list_images('dataset/'))# Đổi vị trí ngẫu nhiên các đường dẫn ảnhrandom.shuffle(image_path)# Đường dẫn ảnh sẽ là dataset/tên_loài_hoa/tên_ảnh ví dụ dataset/Bluebell/image_0241.jpg nlabels = [p.split(os.path.sep)[-2] for p in image_path]# Chuyển tên các loài hoa thành sốle = LabelEncoder()labels = le.fit_transform(labels)# Load model VGG 16 của ImageNet dataset, include_top=False để bỏ phần Fully connected laymodel = VGG16(weights='imagenet', include_top=False)# Load ảnh và resize về đúng kích thước mà VGG 16 cần là (224,224)list_image = []for (j, imagePath) in enumerate(image_path):image = load_img(imagePath, target_size=(224, 224))image = img_to_array(image)image = np.expand_dims(image, 0)image = imagenet_utils.preprocess_input(image)list_image.append(image)list_image = np.vstack(list_image)# Dùng pre-trained model để lấy ra các feature của ảnhfeatures = model.predict(list_image)# Giống bước flatten trong CNN, chuyển từ tensor 3 chiều sau ConvNet sang vector 1 chiềufeatures = features.reshape((features.shape[0], 512*7*7))
Page 2 and 3:
Copyright © 2019 Nguyễn Thanh Tu
Page 4 and 5:
4• Phần cứng phát triển: S
Page 6 and 7:
6Lời cảm ơnTrước hết tôi
Page 9 and 10:
Mục lụcIGiới thiệu1 Cài đ
Page 11 and 12:
IIINeural Network5 Neural network .
Page 13 and 14:
12 Các kỹ thuật cơ bản tron
Page 15:
IGiới thiệu1 Cài đặt môi t
Page 18 and 19:
18 Chương 1. Cài đặt môi tr
Page 20 and 21:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
30 Chương 2. Python cơ bảnt =
Page 32 and 33:
32 Chương 2. Python cơ bản2.4
Page 34 and 35:
34 Chương 2. Python cơ bản# Ph
Page 37:
IIMachine learning cơ bản3 Linea
Page 40 and 41:
40 Chương 3. Linear regressionHì
Page 42 and 43:
Page 44 and 45:
44 Chương 3. Linear regression3.3
Page 46 and 47:
Page 48 and 49:
48 Chương 3. Linear regressionVí
Page 50 and 51:
50 Chương 3. Linear regressionimp
Page 53 and 54:
4. Logistic regressionBài trước
Page 55 and 56:
4.2 Xác suất 55Hình 4.2: Đư
Page 57 and 58:
4.4 Thiết lập bài toán 57=> p
Page 59 and 60:
4.5 Chain rule 59Hình 4.5: Đồ t
Page 61 and 62:
4.5 Chain rule 61Do đód(2x + 1)2d
Page 63 and 64:
4.5 Chain rule 63Từ đồ thị t
Page 65 and 66:
4.6 Quan hệ giữa phần trăm v
Page 67 and 68:
4.7 Ứng dụng 67Hình 4.9: Đư
Page 69:
IIINeural Network5 Neural network .
Page 72 and 73:
72 Chương 5. Neural network5.1.1
Page 74 and 75:
74 Chương 5. Neural network5.2.2
Page 76 and 77:
76 Chương 5. Neural network5.3 Fe
Page 78 and 79:
78 Chương 5. Neural network5.4 Lo
Page 80 and 81:
80 Chương 5. Neural networkHình
Page 82 and 83:
82 Chương 5. Neural networkRõ r
Page 85 and 86:
6. BackpropagationBài trước đ
Page 87 and 88:
6.1 Bài toán XOR với neural net
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
6.3 Python code 93Thì ở bài nà
Page 95:
6.4 Bài tập 95# Dự đoándef p
Page 99 and 100: 7. Giới thiệu về xử lý ả
Page 101 and 102: 7.1 Ảnh trong máy tính 101Hình
Page 103 and 104: 7.1 Ảnh trong máy tính 103Hình
Page 105 and 106: 7.1 Ảnh trong máy tính 1057.1.4
Page 107 and 108: 7.2 Phép tính convolution 107x 13
Page 109 and 110: 7.2 Phép tính convolution 109Hìn
Page 111 and 112: 7.3 Bài tập 111Hình 7.16: Một
Page 113 and 114: 8. Convolutional neural networkBài
Page 115 and 116: 8.2 Convolutional neural network 11
Page 123: 8.4 Bài tập 1238.4 Bài tập1.
Page 126 and 127: 126 Chương 9. Giới thiệu kera
Page 135 and 136: 10. Ứng dụng CNN cho ô tô t
Page 137 and 138: 10.1 Giới thiệu mô phỏng ô
Page 139 and 140: 10.2 Bài toán ô tô tự lái 13
Page 141 and 142: 10.3 Python code 141import pandas a
Page 143: 10.5 Bài tập 143# Load model mà
Page 147 and 148: 11. Transfer learning và data augm
Page 149: 11.1 Transfer learning 149Hình 11.
Page 153 and 154: 11.1 Transfer learning 153Hình 11.
Page 155 and 156: 11.1 Transfer learning 155Hình 11.
Page 157 and 158: 11.1 Transfer learning 157# Load mo
Page 159 and 160: 11.2 Data augmentation 159Hình 11.
Page 161 and 162: 11.2 Data augmentation 161Hình 11.
Page 163 and 164: 12. Các kỹ thuật cơ bản tro
Page 165 and 166: 12.2 Mini-batch gradient descent 16
Page 167 and 168: 12.3 Bias và variance 16712.3 Bias
Page 169 and 170: 12.4 Dropout 169• Dùng regulariz
Page 171 and 172: 12.5 Activation function 171Hình 1
Page 173 and 174: 12.5 Activation function 173Tanh ac
Page 175: VIComputer Vision Task13 Object det
Page 178 and 179: 178 Chương 13. Object detection v
Page 189 and 190: 14. Image segmentation với U-Net1
Page 191 and 192: 14.1 Bài toán image segmentation
Page 193 and 194: 14.2 Mạng U-Net với bài toán
Page 195 and 196: 14.2 Mạng U-Net với bài toán
Page 197: IIRecurrent Neural Network15 Recurr
Page 200 and 201:
200 Chương 15. Recurrent neural n
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
206 Chương 16. Long short term me
Page 208 and 209:
208 Chương 16. Long short term me
Page 210 and 211:
210 Chương 17. Ứng dụng thêm
Page 212 and 213:
Page 214 and 215:
Page 216 and 217:
Page 218 and 219:
Page 220 and 221:
Page 222 and 223:
Page 225 and 226:
BibliographyArticles[7] Ross Girshi
Page 227:
17.6 Python code 227Books[21] Adria
show all

Sách Deep Learning cơ bản

Create successful ePaper yourself

Delete template?

Save as template?