本文主要是介绍【深度学习 图像分类】图像分类任务细节,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。人工智能教程
实现一个完整的图像分类任务,大致需要分为五个步骤:
1、选择开源框架
目前常用的深度学习框架主要包括tensorflow、keras、pytorch、mxnet,caffe等;
2、构建并读取数据集
根据任务需求搜集相关图像搭建相应的数据集,常见的方式包括:网络爬虫、实地拍摄、公共数据使用等。随后根据所选开源框架读取数据集。
3、框架搭建
选择合适的网络模型、损失函数以及优化方式,以完成整体框架的搭建
4、训练并调试参数
通过训练选定合适超参数
5、测试准确率
在测试集上验证模型的最终性能
Pytorch中封装了相应的数据读取的类函数,通过调用torch.utils.data.Datasets函数,则可以实现读取功能。
需要特别强调的是对图像进行去均值处理,很多同学不明白为何要减去均值,其主要的原因是图像作为一种平稳的数据分布,通过减去数据对应维度的统计平均值,可以消除公共部分,以凸显个体之间的特征和差异。
损失函数则选择交叉熵损失函数
优化方式选择SGD、Adam优化两种
这篇关于【深度学习 图像分类】图像分类任务细节的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!