Share, , Google Plus, Pinterest,

Print

Posted in:

Derin Öğrenme, salatalık tasnifinde nasıl kullanır?

Bir bilgisayarın ürünü tanıması gereken en önemli ya da belirleyici özellikleri nelerdir? Derin öğrenme, görüntüleri bir veritabanı olarak bunu öğrenmesine izin verir.

Biz sinir ağları veya makine öğrenme düşündüğümüz zaman biz radikal dünyayı dönüştürmede onları dahil hayal eğilimindedir gerçekleşmeden önce suç önlemede  veya enerji verimliliğini artırmak . Ama makine öğrenme iyi şekilde yapmak için dünyayı değiştirmek gerekmez. Bazen, anne ve pop işlerini yardımcı olmak için bu teknoloji ile sadece etkileyici olarak olabilir.

O Google’ın DeepMind bölümü bir makine eğitmek için kullanılan öğrendim sonra Makoto Koike, eski gömülü sistemler tasarımcı, ilk makine öğrenimi girdim git bir insan şampiyon yenmek için . Daha sonra TensorFlow, mühendisler tüm karmaşık matematiksel ve optimizasyon algoritmaları ön bilgi olmadan derin sinir ağları uygulamak için izin verir Google tarafından yayımlanan bir açık kaynak kitaplığı hakkında öğrendim. TensorFlow kullanarak, Koike Japonya’da bir salatalık çiftlik çalıştırmak ailesi için sayısız adam-saat kurtardı.

Derin hangi öğrenme does it bir bilgisayar tanımadığı gereken en önemli ya da belirleyici özellikleri nelerdir görüntüleri büyük bir veritabanı gibi, eğitim veri öğrenmek için izin verir. Çok sayıda bir hiyerarşi yardımıyla yapay nöronlar , derin öğrenme daha sonra yüksek doğruluk ile görüntülerin her türlü sınıflandırabiliriz. Bir sinir ağı değişen görüntülerden kedilerin farklı türler tanımak, hatta tahmin etmek için kullanılır olabilir sonra ne .

Onun derin öğrenme sistemi denetleyicisi ve TensorFlow sunucusuna bağlı bir kişisel bilgisayar gibi bir Ahududu Pi 3 kullanır.Bir salatalık hattı ve sistemin kamera önünde aşağı doğru inerken, bir kez resim çekilir ve daha sonra Makoto modifiye sinir ağı bu adresten aradığını ‘anlamak’ için dener. Sağ kamera önünde oturan öğe bilmiyordum, salatalık boyutları, doku ve kalite değişen derecelerde her çeşit gelir, çünkü daha da sınıflandırır, sonra bir salatalık olduğunu Birincisi, belirler. Örneğin, taze ve renkli canlı hala onları çok karıncalanma ile dikenli salatalık böylece yığılmayı taşlar çok kazançlı olabilir sıralama, bir prim satılmaktadır.

“Sıralama çalışmaları öğrenmek için kolay bir görev değildir. Onların çarpık olup olmadığını ve karıncalanma olup olmadığını, boyutu ve kalınlığı, aynı zamanda renk, doku, küçük çizikler sadece bakmak gerekir. Bu sistemi öğrenmek için ay sürer ve sadece işlek dönemde part-time çalışanlar işe olamaz.Kendimi sadece son zamanlarda iyi salatalık sıralamak öğrendi, “Makoto için söyledi Google Cloud blogunda.

Makoto annesi sıralama kriteri: salatalık 7.000 fotoğraf çekimi yaklaşık üç ay geçirdim, ama bu yine de yeterli değildi. Kısmen suçlama almak ve çözünürlükte sadece 80 × 80 piksel salatalık fotoğraflarını analiz edebilirsiniz onun sistemidir.

Ben test görüntüleri ile doğrulama yaptım “, tanıma doğruluğu% 95 aştı. Gerçek kullanım durumları ile sisteme uygulamak Ama eğer, doğruluk yaklaşık% 70 düşer. Ben sinir ağı modeli nedeniyle eğitim görüntülerin yeterli sayıda (model küçük bir eğitim veri kümesi yalnızca uyacak şekilde eğitilmiş bir sinir ağı fenomen) “overfitting” nin sorunu var sanıyorum. “

Onun salatalık montaj hattı gerçekten yıldız yapmak için – o kadar harcanan para – Makoto 1000 $ daha çok yatırım yapması gerekmektedir. Onlar buna aklını ayarlarsanız, elde edebilirsiniz ne kadar göstermek için gitmek çünkü öyle olsa bile, onun sonuçlarını ilham verici.

Bir Cevap Yazın