如何使用 Neural Network Console 构建自己的数据集？(第2部分)

在日常生活中, 深度学习变得更加重要。我解锁我们的手机和街道上的智能 Led 都展示了在图像识别方面实现 AI 的例子。互联网上有很多关于 AI 的开源, 包括手写的数字识别, 以及我们如何构建自己的数据集？在本文中, 我将和您分享一个应用程序 Neural Network Console。

本文将分为4个部分，第一部分是数据集的编写，第二部分是构建网络模型，第三部分是创建数据集，最后是如何评估模型。

让我们先观看视频并设置网络概念。

https://v.qq.com/x/page/f08873ryilr.html

手势的神经网络模型

以下是每个块的基本概念。

图片包括3种颜色，红色，蓝色和绿色。 它们都被分成具有不同梯度的层，编号为0到255。

本文我们将选择红色层作为演示。

Input，神经网络输入层，指定输入大小。

MulScalar是一个将值乘以输入的函数。

ImageAugmentation随机改变输入图像。

Convolution O_x,y,m = Σ_{_i,j,n} W_i,j,n,m I_x+i,y+j,n + b_m (二维卷积) (其中O是输出; 我是投入; i，j是内核大小; x，y，n是输入索引; m是输出映射（OutMaps属性），W是内核权重，b是每个 kernel的偏差项)每个KernelShape都是我们想要卷积的窗口大小。 例如，5 * 5 png可以设置为2 * 2的kernalshape。

https://v.qq.com/x/page/q0887bb2ykm.html

Relu是一种激活函数，可以找出线性区域。

MaxPooling输出本地输入的最大值。

此maxPooling使用2x2下采样方法，该方法可减小图像的大小并获得表示信号的最大参数。 下图显示了4x4红色下层样品到2x2。

Tanh是一个激活函数，可以找出线性区域。

AFFINE

微调更好的图像比例以进行识别。

例如，当前数据是图片的四分之一，在应用仿射之后，图片将对矩阵中的每个数据乘以4，并且给出与原始数据集类似的比率以用于重新定位。

Softmax显示潜在结果列表的概率分布。

Softmax输出Softmax的输入。 当您想要获取分类问题中的概率或输出值从0.0到1.0（总计为1.0）时，可以使用此选项。

通过模型传递后的数据将给出一个权重，在将权重乘以点积后，我们用算法 o_x=exp(i_x) / Σ_{_j}exp(i_j) 发送结果然后我们将获得与数据成正比的概率 重量。

https://v.qq.com/x/page/i0887e4o3ps.html

下一部分将是创建数据集。

未来发展

Neural network console 可以识别脸部吗? 可以! 使用这个应用程序作为起步是有趣的。

输入不同的数据集并生成各种结果。

第1部分

第2部分

第3部分

第4部分