Si vous essayez d'écrire AI

Nous parlons beaucoup des nouvelles tendances en matière d'écriture de code avec l'aide de l'IA. Si vous y réfléchissez, cela deviendra évidemment : une IA capable de remplacer de petites parties du code moderne dans les entreprises.
Aujourd'hui, l'IA est beaucoup plus efficace dans des domaines : détection d'objets, robots de mots et vision par ordinateur.

Sur la photo, un réseau de neurones pas très dur, basé sur une série de convolutions et de tractions. Cette conception particulière s'appelle UNet-Segmentation.

• Quelques bibliothèques utiles aideront à impacter les données pour le réseau de formation : numpy, pandas, matplotlib

df = pd.read_csv('data/train_masks.csv')

train_df = df[:4000]
val_df = df[4000:]

img_name, mask_rle = train_df.iloc[4]

img = cv2.imread('data/train/{}'.format(img_name))
mask = rle_decode(mask_rle)

• Prochaine étape pour réussir à coder l'IA : copier l'architecture vers Python (j'utilise habituellement Google Colab/Jupyter Notebook). Aide potentielle : keras

conv_1_1 = Conv2D(32, (3, 3), padding='same')(inp) 
conv_1_1 = Activation('relu')(conv_1_1) 

conv_1_2 = Conv2D(32, (3, 3), padding='same')(conv_1_1)
conv_1_2 = Activation('relu')(conv_1_2)

pool_1 = MaxPooling2D(2)(conv_1_2)

• Le dernier : la formation des modèles. Parfois, cela prend un peu de temps (pour moi ~ 7 minutes) pour terminer tous les domaines

model.fit_generator(keras_generator(train_df, batch_size),
              steps_per_epoch=100, 
              epochs=100, 
              verbose=1, 
              callbacks=callbacks, 
              validation_data=keras_generator(val_df, batch_size),
              validation_steps=50,
              class_weight=None,
              max_queue_size=10,
              workers=1,
              use_multiprocessing=False,
              shuffle=True,
              initial_epoch=0)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!