Teknoloji uzmanları CS231n ev ödevini açıklıyor-Ders 1 (kod uygulaması dahil) | Paylaşım özeti
Lei Feng Net AI Araştırma Enstitüsü Basın : CS231n, Stanford Üniversitesi tarafından sunulan bilgisayarla görme ve derin öğrenme için giriş niteliğinde bir kurstur.Derslerin içeriği yurtiçi ve yurtdışında iyi karşılanmaktadır. Ancak dersleri incelemeden dinlerseniz ve bilginizi pekiştirmek için ödev yapmazsanız, etkisi kesinlikle kötü olacaktır. Son çevrimiçi açık sınıfta, Leifeng.com AI Araştırma Enstitüsü, bu sınıfın destekleyici çalışmasını açıklamak için bir teknik uzmanı davet etti.
Bu makale, AI Araştırma Enstitüsü'nün açık sınıfının canlı video içeriğine göre düzenlenmiştir ve esas olarak 1. Ödev'in tamamlanma fikirlerini ve kodun temel bölümlerinin uygulanmasını tanıtmaktadır. CS231n dinlemeye başlamadıysanız, videoyu tekrar izlemek için doğrudan kurs bağlantısını tıklayabilirsiniz.
CS'nin ustası Wang Xuzhong, ana araştırma yönü doğal dil işleme ve derin öğrenmedir. "Miao Shen" in Derinlemesine Çalıştayı ( sütununun yazarını, Japonca ve ACGN meraklılarını tanıyorum.
Konuyu paylaş : CS231n ev ödevi açıklaması ilk ders (kod uygulaması dahil) ev ödevi bağlantısı: https://github.com/Observerspy/CS231n
Anahat paylaş :
-
CS231n ödev tanıtımı,
-
KNN'nin tanıtımı
-
SVM hakkında
-
Softmax hakkında
-
İki Katmanlı NN Hakkında
-
Özellikler Hakkında
Aşağıdakiler paylaşılan içeriktir:
CS231n'nin tam adı CS231n'dir: Görsel Tanıma için Evrişimli Sinir Ağları, görsel tanıma için evrişimli bir sinir ağıdır. Bu ders, Stanford Üniversitesi Bilgisayarla Görme Laboratuvarı tarafından başlatılan bir giriş dersidir.Kursun içeriği yurtiçi ve yurtdışında iyi karşılanmaktadır. Tüm kurs materyalleri, PPT, vb. İnternetten indirilebilir: Kursun amacı, öğrencilerin derin öğrenme çerçevesinin ayrıntılarını derinlemesine anlamalarına yardımcı olmaktır, özellikle görsel tanıma görevleri için uçtan uca öğrenme modelleri (özellikle görüntü sınıflandırma görevleri).
KNN hakkında
kNN temelde iki adıma bölünmüştür: ilk adım eğitimdir, sınıflandırıcı basitçe tüm eğitim verilerini hatırlar.
İkinci adım, ilk adımdan daha önemli olan test etmektir. Her test numunesi ile her eğitim verisi arasındaki mesafe ayrı ayrı hesaplanır, en yakın k eğitim numunesinin etiketleri seçilir ve tahmin edilen değer oylama mekanizması aracılığıyla elde edilir.
Oylama mekanizması, herkesin tüm kategorilere birlikte oy vermesidir, hangi kategoride en çok oy alınır, test örneği aşağıdaki kategorilere ayrılacaktır.
Bu iş esas olarak üç adıma bölünmüştür. İlk adım, kNN'yi çift döngü ile uygulamaktır. Çift döngü, her test verisini ve her eğitim verisini ayrı ayrı hesaplamaktır. İlk döngü, test verileri için döngüdür ve ikinci döngü de sağdadır Eğitim verilerinin döngüsü. Mesafe hesaplaması np.linalg.norm işlevini kullanır.
Aşağıdaki, tek bir döngü uygulaması kullanır. Tek döngü, eğitim verilerine olan genel mesafeyi almak için her test verisinin bir hesaplamadan geçmesini gerektirir. Eğitim iki bölüme ayrılmıştır.Birincisi, her test verisi ile eğitim verisi arasındaki farktır.Parametre ekseninin ayarına dikkat etmeniz ve yayın mekanizmasını kullanmanız gerekir.
Döngüsüz uygulama kullanın
Spesifik uygulama kodu için, öğrenmek amacıyla oynatma videosunu izleyebilirsiniz.
Son kısım, tahmindir: np.argsort, en yakın eğitim örneklerinin uzaklığını sıralayabilir ve alt simgelerini seçebilir; np.bincount, giriş dizisinin frekansını sayar ve np.argmax ile birlikte oylama mekanizmasını uygulayabilir.
İşin bu kısmı, test örneğinde% 28'lik bir doğruluk gerektirir.
Doğrusal çok sınıflı SVM hakkında
SVM türetme süreci çok karmaşıktır ve burada yer alan çok fazla sorun yoktur, sadece doğrusal hesaplamayı kullanın. Aşağıdaki formülün yalnızca yanlış sınıflandırmanın kayıp oluşturabileceğini özetlediğini unutmayın. Yani, j = i doğru şekilde sınıflandırılırsa kayıp olmaz.
Sırasıyla Wj ve Wyi için talimatlar arayın ve belirli uygulama kodu için video oynatımını izleyebilirsiniz. Bu atama, doğrulama setinde yaklaşık% 40 doğruluk gerektirir.
Softmax hakkında
Softmax formülü şekilde gösterilmiştir.
Tüm sınıflandırma problemlerinin bire bir olduğu ve bir test numunesinin yalnızca bir kategori altında sınıflandırılabileceği unutulmamalıdır.
Kayıp belirli kodun gerçekleşme süreci video oynatımını izleyebilir. Kayıpla, j = i ve j i durumunda, sırasıyla w türetin:
İşin bu kısmı, doğrulama setinde% 35 doğruluk gerektirir.
dördüncü bölüm İki Katmanlı NN Hakkında , İki katmanlı bir sinir ağı gerçekleştirin
Ayrıntılı açıklama süreci için video oynatmaya bakın. Geri yayılımı gerçekleştirdikten sonra, test setinde% 48'den fazla doğruluk elde etmek için bazı parametrelerin ayarlanması gerekir.
beşinci bölüm: özellik
Bu kısım artık doğrudan resme değil, resmin özelliklerine giriyor.
SVM'nin kullanımı, doğrulama setinde% 44'lük bir doğruluk gerektirir.İki katmanlı bir sinir ağının kullanılması,% 55'in üzerinde bir doğruluk elde edebilir ve test makinesinin sınıflandırma doğruluğu% 59.4'e ulaşabilir.
Yukarıdakiler, Leifeng.com AI Araştırma Enstitüsü'nün açık sınıfının temel içeriğinin bir özetidir. Video oynatma kursu AI MOOC Academy'de izlenebilir veya doğrudan bağlantıya tıklanabilir:
Atama bağlantısı: https://github.com/Observerspy/CS231n
