Узнайте, как использовать возможности глубоких нейронных сетей для создания и обучения современных моделей. Огромное количество чистых данных - один из самых ценных ресурсов в наше время, который является потенциальным источником огромного дохода благодаря достижениям в области глубокого обучения и связанного с ним оборудования, необходимого для ускорения этих бесчисленных умножений матриц. Что делать, если у нас мало данных и получить больше невозможно? Или нам не хватает..

Давайте продолжим наш путь к изучению лучших фреймворков машинного обучения в области компьютерного зрения. В первой статье мы исследовали обнаружение объектов с помощью официальных API Tensorflow. Вторая статья была посвящена отличному фреймворку, например, сегментации, Matterport Mask R-CNN на основе Keras. В этой статье мы исследуем реализацию Keras обнаружения объектов RetinaNet, разработанную Физыр . RetinaNet, как описано в разделе Потеря фокуса для обнаружения плотных..

Для экспериментов с машинным обучением нам нужны соответствующие вычислительные возможности. Обычно сложно позволить себе настольный ПК или ноутбук с надлежащими аппаратными возможностями из-за его цены. Хорошей альтернативой является использование бесплатных общедоступных облачных платформ, таких как Google Colab или Kaggle. Я использую эти платформы некоторое время, не задумываясь об их устройстве. Некоторое время назад мне пришла в голову идея исследовать, какая вычислительная..