Краткие итоги главы    259

Давайте.опробуем.его:

inputs = keras.Input(shape=(28 * 28,))

features = layers.Dense(512, activation="relu")(inputs) features = layers.Dropout(0.5)(features)

outputs = layers.Dense(10, activation="softmax")(features) model = CustomModel(inputs, outputs)

model.compile(optimizer=keras.optimizers.RMSprop(),

loss=keras.losses.SparseCategoricalCrossentropy(),

metrics=[keras.metrics.SparseCategoricalAccuracy()]) model.fit(train_images, train_labels, epochs=3)

В.этой.главе.было.представлено.много.новой.информации,.зато.теперь.вы.знаете.практически.все,.что.нужно,.чтобы.использовать.Keras.для.создания.почти. любых.моделей.

КРАТКИЕ ИТОГИ ГЛАВЫ

.Keras.предлагает.целый.спектр.рабочих.процессов,.основанных.на.принципе. постепенного раскрытия сложности..Все.они.прекрасно.взаимодействуют. друг.с.другом.

.Модели.можно.конструировать.с.помощью.класса.Sequential,.функционального.API.или.определяя.свои.подклассы.класса.Model..В.большинстве. случаев.вы.будете.использовать.функциональный.API.

.Самый.простой.способ.обучить.и.оценить.модель.—.использовать.методы.по. умолчанию.fit() .и.evaluate().

.Обратные.вызовы.Keras.дают.простую.возможность.следить.за.происходящим.внутри.модели.в.ходе.ее.обучения.и.автоматически.предпринимать. какие-либо.действия,.опираясь.на.ее.состояние.

.Вы.можете.полностью.контролировать.работу.fit(),.переопределив.метод. train_step().

.Помимо.функции.fit(),.можно.также.реализовать.свой.цикл.обучения. с.нуля..Эта.возможность.может.пригодиться.исследователям,.реализующим. совершенно.новые.алгоритмы.обучения.

Введение8в глубокое обучение в технологиях компьютерного зрения

В этой главе

33 Суть сверточных нейронных сетей.

33 Обогащение обучающего набора данных для ослабления эффекта переобучения.

33 Использование предварительно обученной сверточной нейронной сети для извлечения признаков.

33 Дообучение предварительно обученной сверточной нейронной сети.

Компьютерное.зрение.—.одна.из.самых.первых.технологий,.где.глубокое.об- учение.добилось.значительных.успехов..Каждый.день.мы.взаимодействуем. с.моделями.компьютерного.зрения.—.через.Google.Photos,.поиск.изображений. Google,.YouTube,.видеофильтры.в.программном.обеспечении.камер,.программные.инструменты.оптического.распознавания.текста.и.множество.других.приложений..Также.эти.модели.широко.используются.в.передовых.исследованиях. в.сфере.автоматического.управления.транспортными.средствами,.робототехники,. медицинской.диагностики.с.помощью.искусственного.интеллекта,.автоматических.систем.кассового.обслуживания.для.магазинов.и.даже.автоматизации. сельского.хозяйства.

Компьютерное.зрение.—.это.предметная.область,.которая.послужила.толчком. к.развитию.глубокого.обучения.в.период.с.2011.по.2015.год..Примерно.тогда.же. модели.глубокого.обучения.для.компьютерного.зрения.—.сверточные нейронные