Давайте напишем свою нейронную сеть Python с нуля, без использования нейросетевых фреймворков! Вспомним, как работает инференс в полносвязных слоях в терминах линейной алгебры, научимся имплементировать его на питоне, и решим простую задачу классификации.

Код из видео: https://github.com/dkorobchenko-nv/nn-python/blob/main/inference.py

Меня зовут Дмитрий Коробченко, и на моём канале будет много чего интересного, так что подписывайтесь и нажимайте на колокольчик, чтобы ничего не пропустить: https://www.youtube.com/channel/UCh1n4S8xnt6glf3wZb0Rq7w

#Нейросети​ #ГлубокоеОбучение​ #ДмитрийКоробченко​ #НейронныеСети​ #МашинноеОбучение​ #ИскусственныйИнтеллект​ #Python #Numpy

Классифицируем изображения с помощью признаков, извлеченных глубокой нейронной сетью.
Страница курса – https://www.asozykin.ru/courses/nnpython

Рассматриваем подход, который позволяет применять предварительно обученные нейронные сети для решения своих задач при ограниченных вычислительных ресурсах.

Предварительно обученная нейронная сеть используется для того, чтобы извлечь признаки из набора изображений. Затем выполняется классификация признаков, а не исходных изображений, что значительно быстрее.

Рассматривается пример анализа признаков для распознавания котов и собак на изображениях с помощью Keras и сети VGG16.

Видео “Предварительно обученные нейронные сети” – https://youtu.be/Cuk25Vwp4RM
Видео “Перенос обучения” – https://youtu.be/xpmOauWBgCQ
Видео “Подготовка набора изображений для обучения нейронной сети в Keras” – https://youtu.be/_bH2oh75Kdo
Видео “Тонкая настройка нейронной сети” – https://youtu.be/JiRQvEaq4wU

Примеры кода из видео – https://github.com/sozykin/dlpython_course

Мой канал с краткими и понятными объяснениями сложных тем в ИТ и компьютерных науках –
https://goo.gl/kW93MA

Настало время написать свою собственную нейронную сеть и алгоритм её обучения. С нуля. На чистом питоне. Чтобы раз и навсегда разобраться, как именно всё это работает.

В этом видео мы будем использовать информацию о том, как устроена простая полносвязная нейросеть (многослойный перцептрон), как обучить нейронную сеть с помощью стохастического градиентного спуска, как написать на Python инференс для нейросети и как вычислить градиент с помощью обратного распространения ошибки. Для ознакомления с этими темами рекомендую посмотреть предыдущие видео:

1. Знакомство с нейронными сетями: https://www.youtube.com/watch?v=GT6imQDxqko
2. Как обучить нейронную сеть: https://www.youtube.com/watch?v=uWd9nyn0ql8
3. Инференс нейронной сети на Python: https://www.youtube.com/watch?v=xMz7XSaqdRA
4. Обратное распространение ошибки: https://www.youtube.com/watch?v=bW4dKxtUFpg

Обучать будем модель для классификации цветка ириса (по четырем скалярным признакам). В качестве обучающей выборки будем использовать набор данных — Ирисы Фишера.

После создания первого минимального цикла обучения я кратко покажу, как можно улучшить алгоритм обучения за счёт различных фишек: как можно настраивать гиперпараметры, как можно менять начальную инициализацию весов нейросети, и т.д. А также покажу как реализовать батч (batch) — подход, позволяющий стабилизировать стохастический градиентный спуск.

Код из видео: https://github.com/dkorobchenko-nv/nn-python/blob/main/train.py

Меня зовут Дмитрий Коробченко, и на моём канале будет много чего интересного, так что подписывайтесь и нажимайте на колокольчик, чтобы ничего не пропустить: https://www.youtube.com/channel/UCh1n4S8xnt6glf3wZb0Rq7w

#Нейросети​ #ГлубокоеОбучение​ #ДмитрийКоробченко​ #НейронныеСети​ #МашинноеОбучение​ #ИскусственныйИнтеллект​ #ОбучениеНейросети #ГрадиентныйСпуск #Python #Numpy