Sách Deep Learning cơ bản

Recommendations

Info

222 Chương 17. Ứng dụng thêm mô tả cho ảnhse1 = Embedding(vocab_size, embedding_dim, mask_zero=True)(inputs2)se2 = Dropout(0.5)(se1)se3 = LSTM(256)(se2)decoder1 = add([fe2, se3])decoder2 = Dense(256, activation='relu')(decoder1)outputs = Dense(vocab_size, activation='softmax')(decoder2)model = Model(inputs=[inputs1, inputs2], outputs=outputs)model.summary()# Layer 2 dùng GLOVE Model nên set weight thẳng và không cần trainmodel.layers[2].set_weights([embedding_matrix])model.layers[2].trainable = Falsemodel.compile(loss='categorical_crossentropy', optimizer='adam')model.optimizer.lr = 0.0001epochs = 10number_pics_per_bath = 6steps = len(train_descriptions)//number_pics_per_bathfor i in range(epochs):generator = data_generator(train_descriptions, train_features, wordtoix, max_length, nmodel.fit_generator(generator, epochs=1, steps_per_epoch=steps, verbose=1)model.save_weights('./model_weights/model_30.h5')images = 'Flickr8k/Flicker8k_Dataset/'with open("Flickr8k/Pickle/encoded_test_images.pkl", "rb") as encoded_pickle:encoding_test = load(encoded_pickle)# Với mỗi ảnh mới khi test, ta sẽ bắt đầu chuỗi với 'startseq' rồi sau đó cho vào model để# vừa được dự đoán vào chuỗi và tiếp tục cho đến khi gặp 'endseq' là kết thúc hoặc cho đếndef greedySearch(photo):in_text = 'startseq'for i in range(max_length):sequence = [wordtoix[w] for w in in_text.split() if w in wordtoix]sequence = pad_sequences([sequence], maxlen=max_length)yhat = model.predict([photo,sequence], verbose=0)yhat = np.argmax(yhat)word = ixtoword[yhat]in_text += ' ' + wordif word == 'endseq':breakfinal = in_text.split()final = final[1:-1]final = ' '.join(final)return final
17.6 Python code 223z=5pic = list(encoding_test.keys())[z]image = encoding_test[pic].reshape((1,2048))x=plt.imread(images+pic)plt.imshow(x)plt.show()print(greedySearch(image))
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 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123:
8.4 Bài tập 1238.4 Bài tập1.
Page 126 and 127:
126 Chương 9. Giới thiệu kera
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
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 and 150:
11.1 Transfer learning 149Hình 11.
Page 151 and 152:
11.1 Transfer learning 151from skle
Page 153 and 154:
Page 155 and 156:
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 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 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?