26 次觀看·2024年9月27日
使用Keras預測照片中的物體
深度學習已經成為了電腦視覺領域的一個重要工具,尤其是在物體識別上。在這影片中,我們將介紹如何使用Keras,一個用於深度學習的Python程式庫,來預測照片中的物體。
NUM_CLASSES = 10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
y_train = to_categorical(y_train, NUM_CLASSES)
y_test = to_categorical(y_test, NUM_CLASSES)
print(x_train[54, 12, 13, 1])
定義類別數(10個)。
從 Keras 的 CIFAR-10 數據集中加載訓練和測試數據。
將圖像數據標準化到 [0, 1] 範圍。
將標籤轉換為 one-hot 編碼。
input_layer = Input((32, 32, 3))
x = Flatten()(input_layer)
x = Dense(200, activation='relu')(x)
# x = Dense(150, activation='relu')(x)
output_layer = Dense(NUM_CLASSES, activation='softmax')(x)
model = Model(input_layer, output_layer)
model.summary()
定義輸入層,輸入尺寸為 32x32x3 的圖像。
將輸入展平為一維。
添加一個有 200 個單元的全連接層,激活函數為 ReLU。
添加一個輸出層,輸出為 NUM_CLASSES(10)個類別,激活函數為 softmax。
顯示模型結構摘要。
opt = Adam(lr=0.0005)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=10, shuffle=True)
定義優化器為 Adam,學習率為 0.0005。
編譯模型,使用損失函數為 categorical_crossentropy,評估指標為 accuracy。
使用訓練數據進行模型訓練,批次大小為 32,訓練 10 個世代。
model.evaluate(x_test, y_test)
使用測試數據評估模型的性能。
CLASSES = np.array(['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'])
preds = model.predict(x_test)
preds_single = CLASSES[np.argmax(preds, axis=-1)]
actual_single = CLASSES[np.argmax(y_test, axis=-1)]
n_to_show = 10
indices = np.random.choice(range(len(x_test)), n_to_show)
fig = plt.figure(figsize=(15, 3))
fig.subplots_adjust(hspace=0.4, wspace=0.4)
for i, idx in enumerate(indices):
img = x_test[idx]
ax = fig.add_subplot(1, n_to_show, i+1)
ax.axis('off')
ax.text(0.5, -0.35, 'pred = ' + str(preds_single[idx]), fontsize=10, ha='center', transform=ax.transAxes)
ax.text(0.5, -0.7, 'act = ' + str(actual_single[idx]), fontsize=10, ha='center', transform=ax.transAxes)
ax.imshow(img)
定義類別名稱對應的數組。
使用模型對測試數據進行預測。
根據預測結果和實際標籤得到對應的類別名稱。
隨機選擇 10 個測試樣本,並顯示圖像、預測結果和實際標籤。
影片中【predict_image.py】的下載網址:github.com/deepmind-python/nltk
請手動複製 github.com/deepmind-python/nltk 至瀏覽器的網址列上,然後在鍵盤上按 Enter鍵。
各位同學或各位觀眾
今天我們要討論的主題是
使用Keras預測照片中的物體
這也算是深度學習的入門
我們來透過這個層次的理解
來學會深度學習
我們來看看下面的照片
你們要看下面的照片
它有飛機Airplane
Automobile就是汽車
Bird Cat
Deer是鹿
Cat是貓
Bird是鳥
還有Dog
Blog
Horse Ship
Truck是卡車
Ship是船
Horse是馬
Blog是青蛙
Dog是狗
這些圖片呢
我們要訓練我們的程式
我們的AI程式
來讓它學會各種的分類
比如說Airplane
飛機有幾種長相
我們總共給它十個
1、2、3、4、5、6、7、8、9、10
每一種分類都給它十個長相
讓機器去學會
它各種不同的情況下
每一種圖片各種不同的情況下
長的是什麼樣子
先告訴機器
我們現在就來訓練這樣子的一個
一個就是預測照片中的物體
看我們能不能訓練成功
透過深度學習
今天我們用Keras來寫程式
之前我們是用TensorFlow
Keras是在TensorFlow的更上一層
好
我們現在呢
今天我們就是說
我們要用兩種方式來
來把我們的程式放在不同的編譯器
一個是在我們Local端的
我們本機端的PyChart
我們用的是PyChart
這個Python的編譯器
還要加上我們上次學的那個
什麼卡通人物
可以轉換
可以把它的意識
可以把它的思想記憶
傳到電腦裡面的訓練
我們也用那個最後一次的
它的GPU可以永遠免費使用
每週用30小時的
Cargo的編譯器
我們兩個兩邊
我們寫好
我們現在拍一下寫好程式
然後在Cargo再運行一次
Cargo是用GPU
PyChart呢
Local端我們用CPU
PyChart我們是試驗
試驗用CPU就好
CPU就好
而Cargo呢
我們當然是要試驗用GPU啦
我們兩種情況都做一次
看看效果怎麼樣
GPU
我們今天寫的程式
我們要試驗這兩種效果
好
我們先打開我們的PyChart編譯器
好
在這邊PyChart編譯器
好
打開PyChart編譯器了
我們先給它一個程式名稱
然後就可以把code1寫進去
給它一個程式名稱
Python file
我們叫做什麼呢
因為它是預測照片
我們就predict
-image好了
給它一個predict-image的Python file
把字體放大一下
好
我們第一步呢
我先要告訴各位
剛才的那個Word檔案
我們將就是來預測這些
序列裡面的圖片
然後再來問我們的電腦說
這個圖片是什麼意思
這個圖片是什麼
比如說它看到這個
這個是雞
它也會認為是鳥
這是故意給它放一隻雞在這邊
看它會不會認為是鳥
它看到這個圖片
馬
它就會馬上輸出說
這是馬
所以這樣子的話
電腦就知道我們圖片裡面的物體
到底是什麼東西了
透過訓練
好
我們要用的是
我們要用的資料集
首先我要介紹一下
我們要用的資料集是
叫做所謂的什麼
CIFAR
Dataset
我要回到Word檔案
再寫一下
CIFAR
我們用的資料集
資料集
是什麼
CIFAR
這個很有名的
在Keras裡面
它就有提供了
所以我為什麼選擇CIFAR的原因
CIFAR-10
它名字
它的資料集的名字
名字叫做CIFAR-10
這個dash才對
好
CIFAR-10
好
我們用這個資料集裡面的資料
這資料集裡面就有包含這些照片了
好
我們要
這個資料集是
這個資料集是從哪裡來的呢
是從Keras裡面就有了
好
這個資料集在Keras裡面
好
這樣子
這個資料集在Keras裡面
好
然後我們
要
如果我們用Cargo做的話
我們要用Jupyter
它的檔名叫Jupyter
用PyChart就是.py
好
這是大家知道的
好
第一步我們要載入資料
好
我們到這
編譯器才對
載入資料
在這個範例中呢
我們是使用CIFAR-10資料集
這個資料集有
二十百千萬
有六萬個32x32
個像素的彩色照片
都是在Keras裡面就找得到
每個影像
每個照片呢
它有十個分類
所以我們要先
來寫前半段的什麼
載入的程式
要先把它寫好
好
前半段的載入
就是Import
這個字還是太小
會不會大一點
好了
Import Numpy
這是最基本的
最基本的
那個程式庫
要先把它先輸入進去
用NP代表
Numpy有NP代表
再一個Import
Import什麼呢
我們要畫那個照片的圖
所以我們要
我們要用什麼
map.lib
這邊就有預設的
我就直接照抄了
map.lib
然後點它的下面的
我看這邊有沒有預設
有
我就直接用預設
就不用用頭腦去記了
現在寫程式實在太方便
編譯器有幫你寫好這種
這種智慧的辨認的
然後你又可以在
Chair GPT裡面去問
一些問題
所以現在寫程式的
根本又需要去記
很多程式的東西
幾乎都不用記了
你只要知道它的邏輯就可以了
好
Pipeline as PLT
以PLT作為代表
好
下一步呢
我把它分開一下
我們要用Keras裡面的東西了
from
喔
放錯了
from Keras
這邊就有預設的
Keras
點
Layer
Layers
然後input
input
然後還用它那個
把它的資料變成扁平化
我們要用的flatten
ATT也沒錯
然後dense
好
深度學習要用到的
大概是這樣子就夠了
我想應該就夠了
然後下一步
喔
太多了
我們很快的先打一下
這些基本的東西
我們要model
Keras
點
model
models
然後input
model
我們還要它的
Optimizer
我們Optimizer
最平常用的是什麼
Atom
我們寫到哪裡去了
喔
還沒有打
from Keras
點
Optimizer
都有預設
你看好方便
input
這個就沒有了
喔
有
大小節不一樣
它就不會顯示出來
好
最後一個叫Category
我要輸入這個Category
就是可以把它上次說的
把它向量化的東西
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
然後再貼過來
欸
好像有問題喔
它沒辦法打
讓我打那個小寫的
先全部打完看看
看它是不是這個問題
原來如此
你要全部打到input
它那個紅字就不會出現了
而且它那個U大小節看不出來
好
這樣子是對的
好
2
dash
對啊
這個就沒有預設
Category
原來是這樣
沒有了
Category
好像又打錯喔
Category
沒錯沒錯
好
再打一行就可以了
然後
點
Beta
set
input
input什麼
input我們剛才那個資料集
CIFAR
這個有預設的
CIFAR
你要的就是CIFAR
好我們基本的
匯入的這些東西
程式庫
全部都做好了
事實上這個程式不是很難
也不是很長
剛好中等
好我們現在呢
要告訴我們的程式說
我們這個CIFAR class
有10個分類
就是這個意思
在這邊
這個圖片裡面有
1、2、3、4、5、6、7、8、9、10
有10個
所以我們程式要寫10個
不然它怎麼知道你到底要幾個
好我們就稱它叫做
number
class
類別的數量
class
大寫我忘記了
這個預設量大寫會比較好
number
class
等於10
好我們設定為10個分類了
number class
好我們
要用CIFAR這個
它底下的low data
就是載入資料的功能
就是我們的那個
CIFAR
我們直接copy比較快
CIFAR 10
copy過來
然後你這邊打CIFAR 10
然後點
low什麼data之類的
要小寫這個也不能大寫
真麻煩
low
它有幫你寫low data
ok
low data
那就是這個
這個函式
然後你這個函式
函出的值要等於
所以你這個時候要倒過來寫
等於
倒過來
等於什麼呢
就是前面的東西把它輸出來就對了
等於有兩塊東西
大致先框兩次
有兩塊的東西
這兩塊是什麼東西呢
我們一個一個來克服
叫做我們取它名稱叫做
訓練的部分
是一開始是訓練的部分
後面這個地方是測試的部分
所以就是
s
train
它有y train
給它s值
y train又是多少呢
有什麼地方打錯
用dash
這邊就是測試的啦
當然就是s test
y test
就是s
取它的名字叫做test
y test
好
s train
所以這個s train呢
我們要把它
怎麼樣正規化
就是因為它畫出來的圖太大了
我們要把它壓縮
變小
我們的顏色有255個顏色
所以就除以255
所以呢就會是
s
s train
直接照抄
然後它的type是flow
點
as
它的型態
它的型別
32
預測好
這個時候我們就給它來一個除以
255
總共有255個顏色
讓它的圖不要那麼大
壓降下來
同樣以此類推
s test
我們就直接照抄這個
改掉就可以了
不用那麼累一個一個打
s test
好
下一步呢
就是要把它變成像量了
文字要變成
圖片也是要變成像量
文字也是要變成像量的
所以呢
我們的y train
y test
s train
s test
它的y值
這是訓練的
這是猜測的
測試的
不是猜測的
我想這樣子的話太慢了
我們
我直接在
別的地方打好
直接貼過來
我們
我剛剛在
別的地方在pad
上面打好的檔案
直接貼過來比較快
貼過來了
我們的程式就是
長得這樣
最後我們要給它訓練
我們用200
這個input用200個
這邊用150
後來改成150
這兩個隨便選一個
然後ready rate用
0.0005
model critique
我們test的東西放這邊
critique它的值
argument max
就是它的索引值的
最大值的索引值
轉回來
好我們先
先測試一下
我們測試一下
程式可不可以執行
因為我們這個是CPU的
因為CPU
會比較慢
但是我覺得還好
因為我們給它的資料量
不會很大
所以CPU是跑得動的
當然你要在GPU就很快了
快了快了快了
我給它10個類別
它已經到第8個類別了
到第9個類別了
馬上要到第10個
好完畢了
你看圖片出來了
它這意思就是說
我們給它
狗
我們實際上給它
飛機AFM
它預測出來是狗
所以是錯誤的
因為它這個精準度是在0.49
是非常低的
然後我們給它
ACT就是actual
就是實際的
我們給它汽車
預測出來是卡車
給它是鳥
預測出來是貓
怎麼這麼爛
不過大家可以知道
它就是這樣子的原理
還是這個是因為CPU的關係
好我們再
再給它run一次好了
因為這個太低了
0.49
如果不行的話我們就要到Goggle
是不是CPU的關係呢
我們再
再run一次
好了快好了快好了
精準度到現在才0.48
已經超越了
0.5了
為什麼第二次反而會
比較高呢
精準度會比較高
你看精準度比較高
所以呢
它測出來就比較正確
你看
ACT是actual
實際上是frog
是什麼
預測出來是青蛙沒錯
它看到這個圖片是
鳥結果預測出來是青蛙
這個是錯了
實際看到是狗
預測出來是frog也是錯
誒
錯的還蠻離譜的
最後一個是對的
看到鹿預測出來是鹿
所以你就這樣子不斷的
這樣重複的執行訓練
它就會越來越精準了
一開始
不能相信說一開始的那個
情況就一直執行就對了
好
我們再執行一次看看
是不是情況有改善了
還是我們要改變什麼參數
你看我們
給它十個類別在這邊
還是太
太小
縮小了
好我們給它
airplane
飛機、汽車、鳥
貓、鹿、狗
青蛙
馬、船、卡車
這十個類別
然後我們用
battle predict
給它測試的資料
讓它預測的結果
然後我們把它畫圖
用matplotlib
把它在這邊畫圖畫出來
好我們再看一次
希望這次會
比上次又更精準
這次執行完畢
我們就來到couple
上面再執行一次看看
好預測出來了
船
預測出船這個是對的
這鳥
預測出汽車這是錯的
汽車預測出汽車
也是對的喔
鳥預測出鳥
這次精準度又更高了
船預測出船
你看它看到這個照片
它就能預測出船了
看到這個照片
它是汽車預測成
飛機這是錯的
狗預測成狗
這是對的
看到這個狗的照片
它就知道這隻狗蠻厲害的
鹿也是對的
後面這兩個錯
所以它的答對率越來越正確
你們就這樣子一直重複的執行
它就會越來越正確
我把它放大
大家看一下這個圖
這樣會看比較清楚
你看船
船答對了
汽車也答對了
鳥也答對了
船也答對了
狗也答對了
好就是這樣
關掉
我們在進入
Cargo之前
我們再講一下它的
重點在哪裡
這是它的
叫做什麼呢
Model
它的Model的設定
Input Layer
我們選32x32x3
這是它那個
相片的大小
然後RGB
有三個顏色
然後把它變成扁平化
這怎麼講呢
我們可以用Debug的方式
就比較清楚了
我們用Debug的方式
拉過來一點
好我們要了解
什麼叫做Flatten
這個函式的話
我們Debug一下就知道了
我們把我們的Flatten
放在這邊
不見了
Flatten放在這邊
讓它層次執行到這邊
然後在下一步執行
我們來看看Flatten
是什麼樣的情況
它一步呢
照片的大小是32x32x3
長寬x3長寬
然後它有三種顏色
好我們
執行Debug
好執行Debug出來了
這個
好我們要往下一步
在執行下一步
不過我們在執行下一步之前
我們先了解就是說
還沒有執行
還不知道要下一步
好這樣就執行
它的Input Layer的值
這邊會不會寫
它就告訴你說
它的輸入層是什麼
32x32x3
好這個還沒有什麼好講
現在問題是說
這個S值是用Input Layer
放進去把Flatten之後
的結果是怎麼樣
看下一步
好這應該會有S值出來了
S在這邊
它也是
拉下來一點
它也是沒辦法
顯示任何值
它是用S
用這樣子的型態去表達出來
誒
放太大了
拉下來一點
那我們
沒辦法看出它的值嗎
往下拉就有了
往下拉它這邊有
這個字實在太小
把它拉上來
然後還要放大的
可以放大嗎
Windows把它放大
好
這S的值
它是要把它看成
纔看得到它的值
這是很小的一個
像量值
0點幾
然後Ytest
它用那個像量表達
是它的值
就是1
實在是太小
我們先把它關閉一下
其實這個
機器學習就是這樣
你就直接套用它的公式
這就是輸入的神經元
要多少
我這邊
如果我選200
的話會精確度
應該會更高吧
我剛剛又打了一次選150
看看
應該要把這個150關掉
這樣精確值會比較高吧
好
實行一次看看
已經出來了
真的好像比較準確
你看
看到汽車
汽車猜對了
船也猜對了
青蛙猜對
卡車猜對
汽車猜對
青蛙猜對
鳥猜對
我們給它這隻馬的圖像
它就說它是馬
我們給它汽車的圖像
它就說它是汽車
我們給它這個
船的圖像
它就說它是船
沒錯
我們的神經元要增加
大家學到一個經驗
在這邊神經元要增加
輸入的神經元
電池裡面的
第一個參數
輸入神經元
它的artificial function
用relu
所謂relu它的長相
是一個什麼樣的形狀
我們這邊講解一下
到world裡面
我們畫
它的範圍太小
到下一頁
relu的function是什麼
它是一個
插入畫圖畫家
這很快很簡單
我們先畫一個
座標軸
隨便選一個
要選這邊
一個座標軸SY
S是給的資料來預測
Y的指示在這邊
它的activation function
它是一個很接近
這個S軸的東西
在這個地方
負值的地方
給它另外一個顏色
這個顏色好了
過來一點
S到S等於0的地方的時候
然後
它就突然間晚上
Y等於S的情況
這邊是Y等於S的情況
另外一種顏色
畫粗一點
太細
表達不出來
這樣就表達的出來了
好
就是relu
activation function
圖的長相
這邊是S
這邊是Y
S等於Y
還是要寫一下比較清楚
在這半部
是S等於
是Y等於S
Y等於S
可是在這半部
是Y
Y等於0
幾乎等於0
Y等於0
我把畫
一樣好了
幾乎一樣
這邊是
我還是標一下好了
標S
在這邊
那另外一邊就是Y
Y走標
這邊
好
在這邊
這是S軸
這是Y軸
relu
它的activation function
圖是這樣
在S為負值的時候
Y永遠等於0
Y是0
當S為正值的時候
S多少
Y就多少
所以我們再回到我們的程式
我們用的是
relu
activation function
我們來到我們的carco
再試驗一次
我們先怎樣
我們先到carco才對
好
我們打carco
進去
然後我們到我們個人的
畫面
在上次
卡通人物轉換成
卡通人物的思想意識
轉換到電腦裡面
成為機器人的時候
我們有講用carco的版本
就是在第三集
卡通人物轉換成
跟你對談的機器人
第三集有講carco怎麼用
我們就假設
大家有看過那個影片
直接進去
然後我們要建立一個新的檔案
create
new notebook
我們看看carco用GPU的話
它效果會不會比較好
加code
這邊的code就是我們
剛才的pie chart code
趕快我們到我們的pie chart
我們的pie chart在這邊對不對
就全選
copy
看有沒有全部copy
有全部copy
到我們的pie chart
這邊直接貼
過來
貼過來
我們仔細看看
我們要告訴它我們要用GPU
在這邊
右邊這邊選
set shoot option裡面
GPU T42
GPU P100
我們用
P100看看
上次我們是用T42
現在換個口味
GPU100
打開
確定一下
有打開
GPU選100
全部設定完畢
開始執行了
執行按這個三角形就可以了
執行
現在我們在carco裡面
執行了
我們看一下後面
已經執行到什麼程度
已經在跟書
就在跑了
在訓練了
它必須要先下載圖像
我們剛才拍下之所以
那麼快是因為我們已經執行
過了一次它圖像已經下載
下來對carco來說
它要從頭開始下載
那個圖片
它也下載完畢了
輸出完畢
出現錯誤我們來瞭解一下
為什麼出現錯誤
這個地方出現錯誤
我們就把它複製過來
問Chair GVT
為什麼是錯的呢
它箭頭指向這邊
大家看一下
箭頭指向這邊說
這個程式錯
我們在拍下是對的
為什麼在carco這邊
是錯的
所以我們問Chair GVT就好了
我們不用頭腦去想
去Google去查
查的鑰匙還不見得是對
直接問Chair GVT
還有什麼問題要問的嗎
沒錯
它的結論就是說
剛才那個地方
就是參數
參數無法識別
LR 0.005
你的就是這一行
好我們問Chair GVT
我們按加
然後按Chair GVT
然後我們這邊打
Shift Enter
Ctrl V
然後我們就開始問Chair GVT
要用英文和中文
中文看看好了
請問下列程式
下列程式
有何問題
Enter
告訴我們說
參數名稱改了
Running rate
這個東西改掉了
他說這邊是修改的程式
他改成
我們LR改成
Running rate
我們就複製
Chair GVT的話
複製好
到我們的Carco程式去
修改
程式
告訴我們是第幾行
第42行
對不對
第42行要改
這邊沒有列行數
自己找
奇怪了
到底在哪裡
這邊找到了
隨便晃就找到了
程式不是很大
這個LR要改成什麼
依據Chair GVT說
他要改成Running rate
對不對
我們再重新執行
按這個三角形就可以了
好
執行完畢了
有什麼問題嗎
出來了
這就是Carco的圖片
在這邊出來了
執行成功
看到這個照片
看到照片是卡車
預測卡車
實際上是卡車
猜對了
猜錯了
路
看到這是路
所以他猜成路
馬
錯了
給他這個企劃圖
猜成
對
馬
給他照片
這隻馬猜出來是horse
答對了
飛機也答對了
幾乎答對了
看到是卡車
卡車就答對了
在Carco上面更精準
他出來的機率
他只錯了一個
把鳥猜成狗
其他都對
裡面的參數我們要調整的話
會給他更精確的
輸出
哪裡的參數可以調整呢
我們這邊講一下重點
哪裡的參數
就是model feed訓練的地方
在這邊找到了
這個model feed的地方
就是裡面的參數
Batch size
P次大小選32
就是十個四大
Shuffle
給他這樣子混淆
資料混用
就是給他像牌
這樣重新洗牌就對了
我們瞭解
最後我們來瞭解一下
這個訓練的內容
可以決定我們的輸出
關鍵應該是在這邊
我們copy什麼東西
這個是cargo
所以你用那個是沒有用的
我們把它copy到我們的word裡面
好
copy完畢了
我們到我們的word裡面去解釋
好我們來到我們的word了
我們把剛才的
沒辦法下來嗎
真麻煩
這邊可以
好我們就
Ctrl
Enter
好我們把剛剛的
在cargo上面
model feed這個function
我們來解釋一下
這個ashtray
就是我們的原始資料
就是我們原始照片
好
我就這樣子示意一下
這是我們的原來的照片就對了
原來的照片
好
y-train呢
y-train它是一個
one-hot-encoded class label
one-hot-encoded
這個類別標籤
所以它是一個
one-hot-encoded
0101這種東西
標籤
label
l-a-b-e-l label
它是一個標籤
這標籤有好幾個
labels
Batch size呢
它可以決定有多少的觀察點呢
可以
可以傳遞到
這個神經網路
在每次訓練
在每一次的訓練呢
在每一次的訓練
可以
就是要更新那個全種植的時候
32
32這個
就是經過了32個
批次之後
它就會更新全種植一次
也就是說它這個Batch size呢
可以決定
有多少的
就是我們這邊選
32就是說
有32個觀察
資料呢
可以傳送到
那個神經網路
就是在每一步的
在每一個階段的
訓練步驟
在每一個階段就有32
32個觀察
觀察點
32個觀察資料
APOC的
就是世代
決定的網路
要多少次
顯示它的那個
整個訓練資料
10次
Shuffle就是我剛才說的洗牌
就會
就會把裡面的那個照片
全部這樣
洗牌一次
所以這邊的參數值
改的話
會很大的影響到
我們
那個輸出結果的精確性
我們來試驗一下
如果我們把它的世代
改多一點
當然你改它的多一點
它訓練的多
當然輸出的精確度就越多
而我們的
卡口有GPU
所以你給它數值增大
應該不會影響吧
我們來試驗看看
我們把它改成
30好了
裡面的資料就起了很大的
變化才對
我們到我們的
那個卡口去看看
卡口這邊我們把它改成
30
這個參數改成30
讓它跑多次一點
跑多個世代
疊代
我們把它改成30
好
我們實習一次
在這邊
還在跑嗎
已經在訓練了
因為我們給它的數值增大了
所以時間稍微久一下
好 出來了
我們看一下有沒有比較對
比較正確
還是第一個是錯
第二個就對了 狗還是狗
bug還是truck都對
第三個
猜拳貓也是錯了 卡車
路對
有些對有些錯了
所以這也是
調的還是不夠
這個參數還是不夠了
還要繼續加大
但是我們只是要教大家
點到為止
你們可以再回去
在自己的電腦上訓練
看這個值要調多少
還有badge size
也會影響到
它的精確性
這個是說
經過了32個
那個
之後它會更新一次
它的權重
我們這邊如果你把它改成
64看看
別被人亂改了
64
這個還是改回剛才的10好了
這樣子就比較不會互相影響
我看一看
我們再執行一次
看它的會比較精確嗎
好了
我們看一下
這個比較精確
你看路
猜對了 給他照片是路
他就猜成路
給他船是超乘船
幾乎到現在都正確
給他汽車猜成汽車
給他船超乘
他也猜成船
汽車猜成汽車
答對了
這邊答錯一個
卡車猜成汽車
路猜成路
不對
這邊有猜錯一個
卡車猜成船
狗猜成貓
馬
還是有一些不同情況的錯誤
所以我們的參數
就要不斷的調整
讓它更精確一點
大家回去自己練習
好
我們今天的課程就到此
謝謝大家觀賞
拜拜