Глубокое обучение на Python [Франсуа Шолле] (pdf) читать постранично, страница - 4

Определение задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.1.1. Формулировка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 205
6.1.2. Сбор данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
6.1.3. Первичный анализ данных . . . . . . . . . . . . . . . . . . . . . . 211
6.1.4. Выбор меры успеха . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
6.2. Разработка модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
6.2.1. Подготовка данных . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.2.2. Выбор протокола оценки . . . . . . . . . . . . . . . . . . . . . . . . 215
6.2.3. Преодоление базового случая . . . . . . . . . . . . . . . . . . . . . 215
6.2.4. Следующий шаг: разработка модели с переобучением . . . . . 217
6.2.5. Регуляризация и настройка модели . . . . . . . . . . . . . . . . . 218
6.3. Развертывание модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3.1. Объяснение особенностей работы модели заинтересованным
сторонам и обозначение границ ожидаемого . . . . . . . . . . . . . . . 219
6.3.2. Предоставление доступа к модели . . . . . . . . . . . . . . . . . .
6.3.3. Мониторинг качества работы модели .
в процессе эксплуатации . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.4. Обслуживание модели . . . . . . . . . . . . . . . . . . . . . . . . .
Краткие итоги главы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

220
223
224
225

Оглавление     
11
Глава 7. Работа с Keras: глубокое погружение . . . . . . . . . . . . . . . . . . . 226
7.1. Спектр рабочих процессов . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
7.2. Разные способы создания моделей Keras . . . . . . . . . . . . . . . . . 227
7.2.1. Последовательная модель Sequential . . . . . . . . . . . . . . . .
7.2.2. Функциональный API . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.3. Создание производных от класса Model . . . . . . . . . . . . . .
7.2.4. Смешивание и согласование различных компонентов . . . . .
7.2.5. Используйте правильный инструмент . . . . . . . . . . . . . . .
7.3. Встроенные циклы обучения и оценки . . . . . . . . . . . . . . . . . . .

228
231
239
241
242
243

7.3.1. Использование собственных метрик . . . . . . . . . . . . . . . .
7.3.2. Использование обратных вызовов . . . . . . . . . . . . . . . . . .
7.3.3. Разработка своего обратного вызова . . . . . . . . . . . . . . . .
7.3.4. Мониторинг и визуализация .
с помощью TensorBoard . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4. Разработка своего цикла обучения и оценки . . . . . . . . . . . . . . .

244
245
247

7.4.1. Обучение и прогнозирование . . . . . . . . . . . . . . . . . . . . .
7.4.2. Низкоуровневое использование метрик . . . . . . . . . . . . . .
7.4.3. Полный цикл обучения и оценки . . . . . . . . . . . . . . . . . .
7.4.4. Ускорение вычислений с помощью tf.function . . . . . . . . . .
7.4.5. Использование fit() с нестандартным .
циклом обучения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Краткие итоги главы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

252
253
254
256

249
251

257
259

Глава 8. Введение в глубокое обучение в технологиях .
компьютерного зрения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
8.1. Введение в сверточные нейронные сети . . . . . . . . . . . . . . . . . . 261
8.1.1. Операция свертывания . . . . . . . . . . . . . . . . . . . . . . . . . 264
8.1.2. Выбор максимального значения .
из соседних (max-pooling) . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
8.2. Обучение сверточной нейронной сети с нуля на небольшом .
наборе данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
8.2.1. Целесообразность глубокого обучения для решения
задач с небольшими наборами данных . . . . . . . . . . . . . . . . . . .
8.2.2. Загрузка данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.3. Конструирование сети . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.4. Предварительная обработка данных . . . . . . . . . . . . . . . .
8.2.5. Обогащение данных . . . . . . . . . . . . . . . . . . . . . . . . . . .

272
273
276
278
283

12  Оглавление
8.3. Использование предварительно обученной модели . . . . . . . . . . . 288
8.3.1. Выделение признаков . . . . . . . . . . . . . . . . . . . . . . . . . . 289
8.3.2. Дообучение предварительно обученной модели . . . . . . . . . 298
Краткие итоги главы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
Глава 9. Продвинутые приемы глубокого обучения в технологиях
компьютерного зрения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
9.1. Три основные задачи в сфере компьютерного зрения . . . . . . . . . . 303
9.2. Пример сегментации изображения . . . . . . . . . . . . . . . . . . . . . 305
9.3. Современные архитектурные шаблоны сверточных сетей . . . . . . . 313
9.3.1. Модульность, иерархия, многократное использование . . . . .
9.3.2. Остаточные связи . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.3. Пакетная нормализация . . . . . . . . . . . . . . . . . . . . . . . .
9.3.4. Раздельная свертка по глубине . . . . . . . . . . . . . . . . . . . .
9.3.5. Собираем все вместе: мини-модель .
с архитектурой Xception . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.4.