Ответы пользователя по тегу Нейронные сети
  • В чем ошибка при составлении нейронной сети?

    @Messiah_v2
    Боролся с такой же проблемой. Сеть почти такая же.
    Пока на просторах интернета нашел то, что в нашем случае ошибку ищем по MSE.
    На небольшой сети работает на отличненько. К масштабируемости очень привередливый способ.
    Если формулы в формулах не теряетесь, то Binary cross-entropy возможное решение.
    https://towardsdatascience.com/understanding-binar... - на примере показана логистическая регрессия, но можно применить и к нашей модели. Сам разбираюсь как. Если найду решение отпишу.

    P.S. Странно что сыпется уже на 9 входящих параметрах... мне вообще требуется 568))
    Ответ написан
    Комментировать
  • Как реализовать распознаваение бутылки по ее фотографии?

    @Messiah_v2
    Доброго времени суток. Ну... старт дан. Python достаточно мощный инструмент во всех аспектах вашей идеи.
    Предлагаю поступить следующим образом:
    1) Для начала в Google Colab натренировать сеть. Если есть возможность по мощностям на домашнем PC - можно на нем. Разбить ваши фотографии на тренировочный и тестовый сет и посмотреть результаты. Для всего этого вам понадобится CNN(Convolutional Neural Network), предлагаю сначала ознакомиться с концепцией распознавания объектов с помощью CNN.
    2) Написать API для конечной модели сети
    3) Написать бота, протестировав основные функции, которые требуются вам(напр. загрузка фотографий).
    4) Связать модель нейронной сети и бота по написанному API
    Ответ написан
    3 комментария
  • PyCharm Community подходит для изучения основ нейросетей?

    @Messiah_v2
    Если интересуют сами концепции нейронных сетей, вы сами ответили на свой вопрос: "IDE тут не причем".
    В Python существует множество библиотек, для работы с машинным обучением. Хоть все они с открытым исходным кодом, понять магию, которая там происходит, зачастую не удается.
    Если интересует как они работают изнутри то тут даже ЯП не имеет значения(разве что по скорости).
    Основы ML это:
    35% – линейная алгебра;
    25% – теория вероятности и математическая статистика;
    15% – математический анализ;
    15% – алгоритмы;
    10% – подготовка данных.
    Приведу в пример библиотеку Numpy, которая позволяет выполнять математические операции, в нашем случае нам потребуется перемножение, транспонирование, скалярное произведение матриц. По факту это и есть та магия, если не рассматривать Backpropogation. В Feedforward используются только эти операции.
    На эту тему можно много дискутировать на самом деле, отвечу все таки на вопрос...
    Сам использую PyCharm Community, всего в достатке для того что бы начать изучать Machine Learning.
    Ответ написан
    Комментировать