Python深度學習影像分類
學習使用預訓練模型和遷移學習以及Python和Google Colab進行影像分類的深度學習和計算機視覺
更新於 2024年9月
語言 - 英文
講座 -22
資源 -4
時長 -1.5小時
終身訪問
課程描述
本課程將教你使用預訓練模型進行基於Python和PyTorch的影像分類深度學習。影像分類是一個計算機視覺任務，它使用機器學習技術識別輸入影像並預測影像的單標籤或多標籤輸出。
你將使用Google Colab筆記本編寫用於基於深度學習模型的影像分類的Python程式碼。
你將學習如何將Google Colab連線到Google Drive以及如何訪問資料。
你將使用諸如影像縮放和中心裁剪等不同的變換進行資料預處理。
你將使用Python的深度學習模型執行兩種型別的影像分類：單標籤分類和多標籤分類。
你將學習遷移學習技術
1. 透過微調模型進行遷移學習。
2. 將模型用作固定特徵提取器進行遷移學習。
你將學習如何執行資料增強。
你將學習如何載入資料集和資料載入器。
你將學習微調深度Resnet模型。
你將學習如何使用深度Resnet模型作為固定特徵提取器。
你將學習超引數最佳化和結果視覺化。
在單標籤分類中，當你將輸入影像饋送到網路時，它會預測單個標籤。在多標籤分類中，當你將輸入影像饋送到網路時，它會預測多個標籤。你將學習ResNet和AlexNet等深度學習架構。ResNet是一個為影像分類和識別而提出的深度卷積神經網路。ResNet網路架構專為分類任務而設計，在包含1000個類別的ImageNet自然場景資料集上進行訓練。深度殘差網路在ILSVRC 2015分類挑戰賽中獲得第一名。AlexNet是在ImageNet資料集上訓練的深度卷積神經網路，用於將影像分類為1000個類別。它具有五個卷積層，隨後是最大池化層和三個全連線層。AlexNet贏得了ILSVRC 2012分類挑戰賽。你將使用ResNet和AlexNet深度學習模型進行影像分類。深度學習社群從這些開源模型中受益匪淺，其中預訓練模型是計算機視覺和深度學習研究快速發展的關鍵原因。
目標
- 學習使用深度學習預訓練模型進行影像分類
- 學習單標籤影像分類和多標籤影像分類
- 學習ResNet和AlexNet等深度學習架構
- 在Google Colab中編寫Python程式碼
- 將Colab連線到Google Drive並訪問資料
- 使用變換進行資料預處理
- 使用ResNet和AlexNet執行單標籤影像分類
- 使用ResNet和AlexNet執行多標籤影像分類
- 學習遷移學習
- 資料集、資料增強、資料載入器和訓練函式
- 深度ResNet模型微調
- ResNet模型超引數最佳化
- 深度ResNet作為固定特徵提取器
- 模型最佳化、訓練和結果視覺化
先決條件
- 本課程教授Python和Pytorch深度學習。
- 需要一個Google Gmail帳戶才能開始使用Google Colab編寫Python程式碼。
課程大綱
檢視課程內容的詳細分解
簡介
1 節課程
-
課程介紹 02:22 02:22
預訓練模型定義
1 節課
使用Google Colab編寫Python程式碼
1個講座
從 Google Drive 訪問 Colab 資料
1 個講座
基於深度學習模型的單標籤影像分類
2 個講座
遷移學習
1 節課
資料集、資料增強、資料載入器和訓練函式
1個講座
模型最佳化
1 節課
深度殘差網路特徵提取器
1 節課
資源：透過微調和模型特徵提取器進行遷移學習的程式碼
2個講座
講師 詳情
Mazhar Hussain
課程 證書
利用您的證書來改變職業或在您目前的職業中提升。
我們的學生與
最好的合作
相關影片課程
檢視更多
