Нейронные сети и Keras. Часть 2
0 likes1,122 views
Документ обсуждает использование нейронных сетей, в частности автоэнкодеров и генеративных состязательных сетей (GAN), в задаче обработки изображений, включая удаление дефектов с фотографий котиков и генерацию изображений котов. Он включает технические детали о том, как строить и обучать автоэнкодеры с помощью Keras, а также области применения GAN в различных сферах. Дополнительно предоставлены ссылки на ресурсы и примеры данных для обучения моделей.
Нейронные сети и Keras. Часть 2
- 2. Руденко Данил Backend - разработчик Немного GOlang Немного Python (нейросети + аугментация данных) Немного Embedded
- 3. Текущие задачи - “Удаление” дефектов с фотографий котэ - Генерирование котиков
- 4. Множество видов нейронных сетей - Автоэнкодеры, автокодировщики(Autoencoders) - Генеративные состязательные сети, порождающие соперничающие сети, порождающие соревнующиеся сети (Generative Adversarial Networks, GANs)
- 5. Dataset Cats vs dogs: https://www.kaggle.com/c/dogs-vs-cats - Удалим собак из выборки - Для обучения автоэнкодера преобразуем к размерности: 224 X 224 X 3 - Для обучения GAN’а преобразуем к размерности: 32 X 32 X 3 12 500 изображений котов
- 6. Keras
- 7. Jupyter Notebook и Anaconda
- 8. Anaconda
- 9. Jupyter - Разработка - Документирование - Выполнение кода - Сохранение кода - Экспорт в HTML и PDF
- 10. Решим задачу номер раз (Убираем дефекты с фотографий котиков)
- 11. Автоэнкодеры(AE) - Сети прямого распространения - Скрытый слой(слои) - описывает модель - Старается восстановить входной сигнал на выходе - Учится создавать компактное описание входных данных
- 12. Автоэнкодеры. Матан. Энкодер - g и декодер - f . Энкодер переводит входной сигнал в его представление(код): h = g(x), а декодер восстанавливает сигнал по его коду: x = f(h) . Автоэнкодер, изменяя f и g, стремится выучить тождественную функцию x = f(g(x)), минимизируя функционал ошибки: L(x, f(g(x))).
- 13. Автоэнкодеры. Keras. input_img = Input(shape=(28, 28, 1)) encoding_dim = 49 flat_img = Flatten()(input_img) encoded = Dense(encoding_dim, activation='relu')(flat_img) input_encoded = Input(shape=(encoding_dim,)) flat_decoded = Dense(28*28, activation='sigmoid')(input_encoded) decoded = Reshape((28, 28, 1))(flat_decoded) encoder = Model(input_img, encoded, name="encoder") decoder = Model(input_encoded, decoded, name="decoder") autoencoder = Model(input_img, decoder(encoder(input_img)), name="autoencoder") decoded_imgs = decoder.predict(encoded_imgs, batch_size=n) plot_digits(imgs, decoded_imgs)
- 14. Много видов - Глубокий - Разреженный - Сжимающий - Сверточный - Шумоподавляющий Keras blog: https://goo.gl/TSx1yb Deep learning book: https://goo.gl/oHNZkM Habr: https://goo.gl/P6J4sf
- 15. Конструирование своего автокодировщика Сложные нелинейные закономерности - больше слоев Пространственная инвариантность - свертка и пулинг Убрать дефекты - шумоподавление
- 16. Шумоподавляющий(denoising) автоэнкодер Получает на входе искаженные данные и обучается предсказывать истинные, неискаженные данные Оригинал с дефектами 9 эпоха обучения 45 эпоха обучения 90 эпоха обучения
- 17. Решим задачу номер два (Посмотрим как можно нагенерировать котов)
- 18. Генеративно-состязательные сети Оригинальная статья: https://goo.gl/7DkbGw
- 19. Идея
- 20. Генератор и дискриминатор UpSampling2D - Keras (Transposed convolution) Оригинальная статья: https://goo.gl/y2Cnb1
- 21. Как это все работает?
- 22. Области применения - Получение фотореалистичных изображений(дизайн одежды, сцены компьютерных игр) - Улучшение изображений(применение в астрономии) - Подготовка кадров фильмов и мультипликации - Аугментация изображений - И многое другое...
- 23. Вопросы?