Özel Yüz tanıma teknolojisi balinaları tanımlamak için kullanılabilir mi? Kaggle Sağ Balina Tanıma Yarışması No. 1 size bunu başarmayı öğretiyor!
Bu makalenin uzunluğu 5624 kelime , Okumanız tavsiye edilir 10 dakika
Bu makale sizlerle "Sağ Balina Tanıma Yarışması" şampiyonunun deneyimlerini paylaşacak.
"Sağ Balina Tanıma Yarışması" NOAA Balıkçılık ve Kaggle Veri Bilimi Platformu tarafından düzenlenen bir bilgisayarlı görme yarışmasıdır. Deepsense.io'nun makine öğrenimi ekibi, yarışmada birinci oldu. Bu makale, onların deneyim paylaşım dizisinden çevrilmiştir.
Oyun hedefi
Bu yarışmanın amacı, hava fotoğraflarında tek bir gerçek balina belirlemektir. Sağ balina 18 metre uzunluğunda ve 91 ton ağırlığındadır. Veri seti 447 farklı sağ balinayı içerir (temelde mevcut sağ balinaların tüm sayıları). Bu sayı bir tür için çok küçük olsa da, balinaların belirlenmesi insanlar için hala büyük bir zorluktur. Tanımlama sürecini otomatikleştirmek (en azından kısmen), sağ balinaları kurtarmak için çok faydalıdır.
Araştırmacılar, yanlışlıkla olta takımı tarafından yakalanan balinaları kurtarmak için çalışıyorlar ve balinaların gerçek zamanlı tanımlanması, araştırmacıların balinaları kurtarmalarına yardımcı olan, ilgili sağlık ve balık ağı dolanmasının tarihsel kayıtlarını elde etmelerine olanak tanıyor. -Yarışmanın açıklama sayfasını çıkarın.
Bu hava fotoğrafları farklı zamanlarda ve farklı ekipmanlar kullanılarak çekildi ve kalite dengesizdi: Bazıları çok netti, balina tam ortadaydı; bazıları uzak mesafeden ve kötü odaklanmıştı.
Balina resmi örneği
Yarışma, katılımcı ekiplerin fotoğrafta yakalanan 447 balinadan hangisinin olduğunu belirlemek için bir model oluşturmasını gerektiriyor. Daha profesyonel olmak için her fotoğraf için 447 balinanın tamamının olasılık dağılımını sağlamamız gerekiyor. Modelin artıları ve eksileri, çok sınıflı günlük kaybı (çapraz entropi) ile değerlendirilir.
Eğitim veri setinin dengeli olmadığını belirtmekte fayda var. Farklı balinaların fotoğraflarının sayısı büyük ölçüde değişir: bazı "ünlü balinaların" yaklaşık 40 fotoğrafı vardır, çoğunun bir düzineden fazla fotoğrafı vardır ve 20'den fazla balinanın yalnızca bir fotoğrafı vardır. Diğer bir zorluk ise farklı kategorilerdeki (yani farklı balinalar) görüntülerin birbirine çok benzemesidir. Bu, köpekleri, kedileri, vombatları ve uçakları nasıl ayırt ettiğimizden biraz farklıdır. Bu, eğittiğimiz sinir ağında bazı zorluklara neden oldu: Farklı balinaları ayıran özellikler, görüntünün yalnızca küçük bir bölümünü açıklıyor ki bu çok açık değil. Sınıflandırıcımızın doğru özelliklere, yani balinanın kafası ve deri işaretlerine (kallozite paterni) odaklanmasına yardımcı olmak çok önemli oldu.
Algoritma mimarisi
Evrişimli sinir ağının (CNN) görüntü tanıma alanında çok iyi performans gösterdiği kanıtlanmıştır, bu nedenle doğal olarak temel olarak CNN kullanıyoruz. Aslında, bildiğimiz kadarıyla, neredeyse tüm üst düzey oyuncular onları kullanıyor. Bazı insanlar CNN'in çok fazla veri gerektirdiğini söylese bile (sadece 4.544 eğitim verisi görüntüsüne sahibiz ve bazı balinalar tüm eğitim setinde sadece bir kez görünüyor), yine de iyi bir model eğitebiliriz, bu da sınırlı veriyle bile CNN Aynı zamanda güçlü bir araçtır.
Algoritmamız aşağıdaki adımları içerir:
-
Kafa bulucu (CNN kullanarak)
-
Baş kalibratör (CNN kullanarak)
-
· Balina pasaport fotoğrafları üzerinde birden fazla CNN ağını eğitin (işlenmiş standart fotoğraflar)
-
· Ortalama, tahmini ayarlama (CNN olmadan)
Algoritmanın bir püf noktası, bu ek hedeflerin daha sonra kullanılması gerekmese bile, ağ için bazı ek hedefler sağlamaktır. Ek hedef, görüntünün özellikle ilgilendiğimiz kısmına bağlıysa (yani, bu durumda baş ve cilt işaretleri), bu numara ağı o alana odaklanmaya zorlayacaktır. Ek olarak, ağın öğrenmesi için daha fazla uyaranı vardır, bu nedenle aşırı uyumu sınırlamak için daha sağlam özellikler geliştirilmelidir.
yazılım ve donanım
Algoritmamızı uygulamak için Python, Numpy ve Theano kullanıyoruz. Manuel açıklamalar oluşturmak (ve uzun süre aklımızı kaybetmemeyi sağlamak için), Sloth (genel amaçlı bir etiketleme aracı) ve özel bir Julia betiği kullandık.
Modelimizi eğitmek için iki Nvidia grafik kartı kullandık: Tesla K80 ve GRID K520.
İlgili alan bilgisi
İnsanların balinaları tanımlaması diğerlerine göre daha zor görünse de, sinir ağları bu sorundan bariz nedenlerden dolayı zarar görmez. Buna rağmen Wikipedia'nın balinalar üzerine yaptığı araştırma şunu gösteriyor: "Sağ balinaların en büyük özelliği, balina bitlerinin asalaklığının neden olduğu kafa derisindeki beyaz, pürüzlü deridir." Bu sadece sağ balinaları diğer balina türlerinden ayıran bir özellik değildir. Aynı zamanda farklı gerçek balinaların özelliklerini de ayırt eder. Algoritmamız da esas olarak bu özelliği kullanır. Bize neye odaklanmamız gerektiğini söyleyen bu önemsiz hatırlatıcı (organizatör tarafından sağlanan) dışında, gerçek balinalar hakkında başka hiçbir bilgimiz yok.
Çalışmaya hazır
Ayrıntılara girmeden önce bir feragatnameye ihtiyacımız var. Yarışmalarda, insanlar mevcut yöntemleri ince ayar yapmak ve temizlemek yerine yeni yöntemleri test etme eğiliminde olacak (veya yapmalı). Bu nedenle, bir fikrin işe yaradığı kanıtlandıktan kısa bir süre sonra, genellikle onu kaldırırız. Bunun bir yan etkisi, bazı algoritmaların çok karmaşık olması ve hatalı kısımların çözülebilmesi (ve çözülmesi gerektiğidir), ancak bunları oyunda ele almadık. Bu konular bu makalede ele alınmayacaktır.
Balinanın duruşunun çok iyi olmadığını (veya en azından bu özel durumda bunu yapmaya istekli olmadığını) anlamak için, insanların veri setinden pek çok resme bakmasına gerek yoktur.
Çok işbirlikçi olmayan balinalar
Bu nedenle, son sınıflandırıcıyı eğitmeden önce bu gerçeği açıklamak için biraz zaman (ve çaba) harcadık. Bu yöntem, rastgele resimlerden pasaport fotoğrafları (standart fotoğraflar) elde etmek olarak anlaşılabilir (konu herhangi bir konumdadır). Bu aynı zamanda kafa konumlandırıcının ve kafa hizalayıcının amacıdır. Kafa bulucu, giriş fotoğrafındaki kafa için bir çerçeve oluşturur, ancak kafa hala rastgele bir yöndedir ve fotoğrafın ortasında olması gerekmez. Kafa hizalayıcı, öndeki daire içine alınmış kafa bölgesini döndürür ve yakınlaştırır, böylece üfleme başlığı ve kaput ucu her zaman sabit bir konumda olur ve mesafe değişmez. Bu adımların her ikisi de yapay olarak etiketlenmiş eğitim seti üzerinde sinir ağını eğiterek tamamlanır.
Şapka ucu (kırmızı nokta) ve püskürtme deliği (mavi nokta)
Balina konumlandırma
Bu, yüksek kaliteli bir vesikalık fotoğraf elde etmenin ilk adımıdır. Eğitim verilerini elde etmek için eğitim verilerindeki tüm balinaları manuel olarak etiketledik ve bir kutu ile başlarını çember haline getirdik (yardım için insan kaynakları departmanımıza özel teşekkürler!).
Kafa bulucu tarafından elde edilen kafa çerçevesi
Bu etiketler eğitim setindeki her bir görüntü için dört sayı sağlar: dikdörtgenin sol alt ve sağ üst köşelerinin koordinatları. Daha sonra, orijinal görüntüyü alan (256 × 256 olarak ayarlanmış) ve sınırlayıcı kutunun iki koordinatını çıkaran bir CNN eğitiyoruz. Bu açıkça bir gerileme görevi olsa da, L2 kayıp fonksiyonunu kullanmadık, bunun yerine çıktıyı ölçtük ve Softmax ve çapraz entropi kayıp fonksiyonunu kullandık ve daha büyük başarı elde ettik. Ayrıca CNN'in kafa fotoğrafları ile kafa olmayan fotoğrafları ayırt etmek için eğitilmesi ve hatta bazı denetimsiz yöntemler dahil olmak üzere birkaç farklı yöntem denedik. Bununla birlikte, sonuçları çok daha az etkileyicidir.
Ek olarak, kafa konumlandırma ağı, püskürtme deliğinin koordinatlarını ve kapağın ucunu da tahmin etmelidir (aynı ölçüm yönteminde), ancak bu görevde başarılı olamadı, bu nedenle bu çıktıyı göz ardı ettik.
Temelde aynı mimariye sahip 5 farklı ağı eğittik.
Baş pozisyonlayıcının yapısı
Bu beş ağ arasındaki fark, koordinatları ölçmek için kullanılan grup sayısıdır. 20, 40, 60, 128 ve 20 paket içeren başka bir küçük ağı denedik.
Görüntüyü ağa girmeden önce veri geliştirme yaptık (256 x 256'ya ayarladıktan sonra).
-
Döndürme: 10 dereceye kadar (daha büyük bir açı kullanırsanız, bu noktaları sadece döndüremezsiniz, sınırı yeniden hesaplamanız gerekir, bunu yapmak için çok tembeliz)
-
Ölçeklendirme: 1 / 1.2 ile 1.2 arasında rastgele oran
-
Renk tedirginliği, oran 0.01'dir.
Test zamanı geliştirme teknolojisini kullanmamamıza rağmen, 5 ağın tümünün çıktısını birleştirdik, yani kırpılan görüntü bir sonraki adıma her geçtiğinde (kafa kalibrasyonu), 5 ağın çıktısını rastgele seçeceğiz birini seç. Yukarıda bahsedildiği gibi, bu ağların uyarlama sonuçları çok tatmin edicidir. Aslında, resmi "fiziksel olarak" kırpmadık (yani, bir sürü küçük resim oluşturmadık), yaptığımız (ve çok uygun olduğu ortaya çıktı) sadece sınır bilgisini içeren bir json dosyası oluşturmaktı. Bu alakasız olabilir, ancak kolayca deney yapmamızı sağlar.
Balinanın "pasaport fotoğrafı"
Sınıflandırıcının son adımı, fotoğrafları aynı kriterleri karşılayacak şekilde ayarlamaktır. Temel fikir, püskürtme deliğinin koordinatlarını ve kapağın ucunu tahmin etmek için bir CNN eğitmektir. Bu koordinatlarla, bir dönüşüm oluşturmak kolaydır, böylece orijinal görüntü iki nokta her zaman aynı konumda olacak şekilde dönüştürülür (yani kafa kalibrasyonu). Anil Thomas'ın notları sayesinde eğitim setinin koordinatlarına sahibiz. Bu yüzden, nicelleştirilmiş koordinatları tahmin etmek için CNN'i yeniden eğitiyoruz. Bu noktaları belirlemek için görüntünün tamamını kullanmak (yani kafa konumlandırma adımını atlamak) mümkün olsa da, önceki işlemlerle kafa kalibrasyonunu daha kolay gerçekleştirebiliriz.
Ek olarak, ağın çözülmesi gereken bazı ek görevleri vardır. İlk olarak, görüntüde hangi balinanın olduğunu tahmin etmesi (yani, orijinal görevi çözmek için) ve ayrıca balinanın kafasındaki deri işaretlerinin sürekli olup olmadığını bilmesi gerekir (yine, iş yükü gittikçe daha fazla olmasına rağmen, manuel olarak etiketlenmiş eğitim seti üzerinde eğitilmesi gerekir. Evet, balina başına 2-3 resim yeterlidir).
Süreksiz (sol) ve sürekli (sağ) cilt işaretleri
Aşağıdaki mimariyi kullanıyoruz.
Baş hizalayıcının yapısı
Kafa bulucudan, kafa kalibratörünün girişi olarak kafanın yaklaşık konumunu alırız. Bu sefer daha cesur veri geliştirmeleri kullanmaya cesaret ediyoruz:
-
Yatay kaydırma, rastgele kaydırma, maksimum 4 piksel
-
Dönme, maksimum 360 derece
-
Ölçekleme, 1 ile 1.5 arasında rasgele oran
-
Renk bozulması, oran 0.01
Buna ek olarak, 5 rastgele veri büyütme sonuçlarının test ortalaması sırasında veri büyütme tekniğini kullandık. Bu ağın etkisi oldukça şaşırtıcı. Kesin olmak gerekirse, manuel inceleme sırasında, neredeyse tüm görüntülerin püskürtme deliklerinin ve kapak uçlarının konumları neredeyse mükemmel şekilde tahmin edilir. Ek olarak, bir yan ürün olarak, balinaların belirlenmesi için bazı umut verici sonuçlar görmeye başlıyoruz. Kötümser olan ise doğrulama setindeki kaybın 2.2 civarında olmasıdır.
Tüm modülleri bir araya getirin
Birden çok makine öğrenimi algoritmasını birbirine bağlarken dikkatli olmanız gerekir. Baş bulucu ve kalibratörü eğitim seti üzerinde eğitirsek ve bunları eğitim seti ve test seti için "pasaport fotoğrafları" yapmak için kullanırsak, elde ettiğimiz fotoğrafların kalitesi çok farklı olabilir (ve muhtemelen bazı başka özellikler). Sınıflandırıcıyı bu kırpılmış resimler üzerinde eğitirken bu ciddi bir zorluk olabilir. Testte, kabul ettiği girdi alışkın olduğu girdiden çok farklıdır ve bu da algoritmanın düzgün çalışmamasına neden olur.
Bu gerçeği bilmemize rağmen, kırpma sonuçlarını kontrol ederken, eğitim seti ile test seti arasında kalite açısından çok fazla fark olmadığını gördük. Ek olarak, günlük kaybında büyük bir gelişme gördük. "Daha çok fikir, daha az mesken" fikrine göre bu algoritmayı optimize etmemeye karar verdik.
Balinanın "pasaport fotoğrafı"
Son sınıflandırıcı
Ağ mimarisi
Hemen hemen tüm modellerimiz 256 × 256 görüntüler üzerinde çalışır ve aynı mimariyi kullanır. Tüm evrişimli katmanlar 3x3 filtre kullanır, görüntü boyutu değişmez, tüm havuz katmanları 3x3, adım 2'dir ve görüntü boyutu yarıya indirilmiştir. Ek olarak, tüm evrişimli katmanları bir parti normalizasyonu ve ReLU doğrusal olmama izler.
Mainnet mimarisi
Son hibrit modelde, benzer mimarilere sahip bazı ağları da kullandık, ancak 512 × 512 görüntü üzerinde çalıştık. Bu mimariye sahip ağın "ikili" bir versiyonu vardır (tamamen bağlı katmanlardan önce birleştirilen yığılmış evrişimli katmanların bağımsız kopyaları).
Yine, balina derisi işaretlerinin sürekliliğini belirlemek için ek bir hedef ekleyerek ağın konfor bölgesini ihlal ettik (baş hizalama durumuyla aynı). Ayrıca, biri "yüz simetrisi" olan diğer manuel açıklamalardan daha fazla hedef eklemeye çalıştık. Ne yazık ki, sonuçları daha fazla iyileştirmedi.
Veri geliştirme
Bu aşamadaki veri artışı, normalden biraz daha yanıltıcıdır. Bunun nedeni, veri setini yeterince zenginleştirmek ile önceki adımdan elde edilen hizalamayı ve normalizasyonu bozmamak arasında bir denge kurmanız gerektiğidir. Oldukça hassas veri artırma yöntemini kullandık. Tüm modellerde kesin parametreler sabit olmasa da en yaygın olanları şunlardır:
-
Pan: 4 piksele kadar rastgele hareket,
-
Döndürme: maksimum 8 derece,
-
Ölçeklendirme: 1.0 ile 1.3 arasında rastgele oran,
-
Rastgele çevirme
-
Renk bozulması, oran 0.01
Ayrıca test sırasında veri geliştirmeyi kullandık ve 20'den fazla rastgele geliştirme verisinin ortalamasını aldık.
başlatma
Çok basit bir başlatma kuralı kullanıyoruz, sıfır merkez normal dağılım, evrişimli katmanın std'si 0.01 ve tamamen bağlı katmanın std'si 0.001. Bu zaten çok iyi.
Düzenlilik
Tüm modeller için, yalnızca L2 regülasyonunu kullanıyoruz. Bununla birlikte, evrişimsel katman ve tamamen bağlantılı katman, ayrı hiperparametreler kullanır. Evrişimli katman için, daha küçük bir düzenleme kullanıyoruz, yaklaşık 0.0005; tam bağlantılı katman için, genellikle 0.01-0.05 civarında daha yüksek bir değer tercih ediyoruz.
Daha önce de belirtildiği gibi, ağa ek hedefler ekledik. Bu, ağırlıklara ek kısıtlamalar getirerek ağın balinanın başına daha fazla dikkat etmesine neden olur (sudaki bazı rastgele desenler yerine) Bu yöntem, aşırı uyumu bastırır.
Eğitim
Temel olarak tüm modellerimiz 0,9 ivme ile Stokastik Gradient Descent (SGD) kullanılarak eğitilmiştir. Genellikle yaklaşık 500-1000 dönemden sonra dururuz (tam zaman önemli değildir çünkü fazla uydurma olmayacaktır). Eğitim sürecinde, öğrenme hızı için oldukça yavaş bir üstel azalma (0.9955) kullandık ve genellikle öğrenme oranını manuel olarak ayarladık. Örneğin, öğrenme oranını aniden manuel olarak artırırsanız (ve sonra yavaşça üssel olarak azalmaya devam ederseniz), ağ hatası (eğitim seti ve doğrulama setinde) önce çok artacak ve birkaç dönem sonra daha düşük bir seviyeye düşecektir. En iyi modelimiz de başka bir fikir kullanıyor - ilk olarak yüzden fazla dönem boyunca Nesterov momentumuyla eğitildi ve sonra Adam'a (uyarlanabilir moment tahmini) geçtik. Adem'i baştan kullanırsak, benzer kayıplar elde edemeyiz. Başlangıç öğrenme oranı önemli olmayabilir, ancak 0.0005 civarında bir başlangıç değeri kullanıyoruz.
doğrulama
Doğrulama için rastgele% 10 eğitim verisi kullanıyoruz. Favori 7300 tohumumuz sayesinde tüm modellerimiz bu tohumu kullanır. Bu yöntemin bazı balinaların eğitim setinde yer almamasına neden olduğunu bilsek de zaten çok iyi. Doğrulama seti üzerindeki etki oldukça zayıftır ve sıralama ile çok ilgilidir.
Nispeten küçük olan% 10'luk veri setini terk etmek, tereddütsüz bir karar değildir. Bu nedenle, bir modelin yeterince iyi olduğunu belirledikten sonra, eğitim için doğrulama setini yeniden kullanmaya devam ederiz (bunu anlamak kolaydır, çünkü herhangi bir aşırı uyum sorunumuz yoktur). Bu, tüm hesaplamaları tüm eğitim setinde sıfırdan yeniden çalıştırarak (nadiren yapılır) veya (daha sık olarak) doğrulama setini eğitim setine ekleyerek ve ek 50-100 epoch çalıştırarak yapılır. Bu aynı zamanda yalnızca doğrulama setimizde görünen tek bir balina fotoğrafı sorununu çözmek içindir.
Tahmin portföyü
Son olarak, doğrulama setinde 0.97 ile 1.3 arasında puanlara sahip bir dizi modelimiz var (gerçek test puanları daha iyi). Tutarlı bir doğrulama setini korurken, bazı hibrit teknikleri ve temel dönüşümleri test edebiliriz. Sonunda, daha karmaşık bir kombinasyon yöntemini kullanmanın makul olmadığı sonucuna vardık, çünkü doğrulama setimiz aslında oldukça küçük olan tüm farklı balinaları içermiyor. Süslü bir çapraz doğrulama yapacak vaktimiz yoktu, sadece basit bir doğrulama.
Tahmin sonuçlarının basit ağırlıklı ortalaması en iyi modelden daha iyi bir puan sağlamasa da (en iyi modelin ağırlığını önemli ölçüde artırmadıkça). Ancak tahmini orta güce yükselttikten sonra (son çözümde 1,45 kullanıyoruz), günlük kaybında yaklaşık ~ 0,1'lik bir iyileşme elde edebiliriz. Dikkatlice kontrol etmedik, ancak bu tekniğin etkili olduğu varsayılabilir, çünkü tamamen bağlantılı katmanımız standartlaştırılmaya zorlanıyor ve daha aşırı olasılıklar oluşturmak kolay değil.
Tüm tahminlere küçük bir miktar eklemek ve bunları eğitim setinde bulunan balinaların dağılımına biraz çarpıtmak gibi bazı "güvenli" dönüşümler de kullandık. Ancak, bu önlemler nihai puanı etkilemedi.
Resmi yükle
Algoritmamızın son ve ara aşamalarında diskten yüklediğimiz görüntü orjinal görüntüdür. Bu dosyalar büyüktür ve GPU'yu etkin bir şekilde kullanmak için bunları paralel olarak yüklemeliyiz. Ana zaman ek yükünün görüntüleri diskten yüklemek olduğunu düşündük, ancak daha sonra durumun böyle olmadığını keşfettik. Aksine, JPEG dosyalarının kodunu numpy diziler halinde çözmek en çok zaman alır. Bir fast-food kıyaslama testi yaptık, veri setinden 111 rastgele orijinal görüntü toplam 85 Mb. RAM'de önbelleğe alınmadıklarında onları okumak yaklaşık 420 ms sürerken, onları okumak ve uyuşmuş bir diziye dönüştürmek yaklaşık 10 saniye sürüyor ki bu çok büyük bir fark. Olası çözüm, daha hızlı kodlama hızı (görüntü boyutu pahasına), GPU kod çözme vb. Sağlamak için diğer görüntü formatlarını kullanmaktır.
Bazı hileler
Yine de, bir teknolojinin diğer tüm teknolojileri geçebileceğini söylemek zordur (dikkatli bir analiz yapılmadıkça), burada sadece temel becerileri sağlıyoruz.
Yüksek kaliteli kırpılmış görüntüler elde edin ve kafayı kalibre edin
Bunu iki aşamada başardık ve sonuçlar bir aşamada gözlemlediğimizin çok ötesine geçti.
Ağ için ek hedefler sağlamak için manuel etiketleme
Bu, orijinal görüntüye ek açıklamalar eklemeye dayanır. Binlerce balina resminin manuel olarak incelenmesini gerektirir ve bu manuel açıklama sonuçlarını çeşitli aşamalarda (kafa konumlandırma, kafa kalibrasyonu ve sınıflandırma) kullandık.
Tekme (hızlandırılmış) öğrenme oranı
Bunun nedeni dikkatsiz bir başlatma, zayıf öğrenme oranı zayıflama stratejisi ve yetersiz SGD olabilir. Ancak, tekme (hızlandırılmış) öğrenme oranının iyi gittiği ortaya çıktı.
Öğrenme oranını tekmeledikten (hızlandırdıktan) sonra kayıp fonksiyonu
Düzeltme olasılığı
Tahminleri aralığa yükselten orta güç, neredeyse tüm modeller veya hibrit modeller için yararlıdır. Bu teknik oyunun sonunda keşfedildi ve skoru 0.1 artırdı.
Doğrulama kümesini yeniden kullan
Doğrulama ve eğitim setlerini birleştirip 50-100 dönemi ekleyerek, skorda sürekli bir iyileşme elde ettik.
sonuç olarak
Genel olarak bu soru ve oyun çok çekicidir. Bu süreçte çok şey öğrendik ve derin öğrenmenin gücüne hayran kaldık!
Veri bilimi topluluğuna bu özel zorluğu sağladıkları için Christin Khan ve NOAA'ya özel teşekkürler. Bunun başkalarına ilham vereceğini umuyoruz. Tabii ki, Kaggle.com olmadan tüm bunlar daha zor olacak (platformları harika bir iş çıkarıyor). Ayrıca bize Nvidia K80 GPU'ların kullanımını sağladığı için Nvidia'ya da teşekkür etmek istiyoruz - harika.
Daha heyecan verici kuru ürün içeriği için lütfen Tsinghua-Qingdao Veri Bilimi Enstitüsü "Datapai THU" resmi kamu platformunu araştırın ve takip edin
