Exploration des modèles d’apprentissage en profondeur: Comparaison Ann vs CNN pour la reconnaissance d’image

Auteur (s): SETIA BUDI SUMANDRA

Publié à l’origine sur Vers l’IA.

Vous êtes-vous déjà demandé à quel point les réseaux de neurones artificiels (Ann) se sont comparés par rapport à Réseaux de neurones convolutionnels (CNN) en classant les images?

Dans cet article, je vous guiderai à travers un projet pratique où nous formons des modèles Ann et CNN en utilisant le CIFAR-10 ensemble de données Et créez une interface interactive de prédiction amusante qui vous permet de télécharger vos propres images et de voir comment chaque modèle fonctionne en temps réel!

Faisons tout le pas en ligne, bloc par bloc, avec suffisamment d’explications claires.

Importer Numpy comme npimport Matplotlib.pyplot en tant que pltimport seborn que snsfrom tensorflow.keras Importer des couches, modèles de tensorflow.keras.ensembles de données Importer CIFAR10IMPORT IPYWIDGETS comme widgetsfrom ipython.display Importer l’affichage, clear_outputfrom PIL Import ImageImport io, OSFrom ipython.display Import Display, Clear_OutputImport ipyWidgets en tant que widgetsfrom ipyWidgets Import Layoutfrom Collections ImportationDiCTDICTE

Charge des packages essentiels pour:

Manipulation des données: Numpyvisualisation: Matplotlib & SeaBordataset et Modèles de construction / formation: Tensorflow.kerasui Interaction: ipywidgets, ipython.displayImage Processing: PIL (x_train, y_train), (x_test, y_test) = Cifar10.load_data () # NormalSasix_ 255.0, x_test / 255.0 # label rehapey_train = y_train.flatten () y_test = y_test.flatten () charge cifar-10, un ensemble de données de 60 000 32 × 32 images couleur de 10 catégories. Training.Class_Names = (‘Airplane’, ‘Automobile’, ‘Bird’, ‘Cat’, ‘Deer’, ‘Dog’, ‘Frog’, ‘Horse’, ‘Ship’, ‘Truck’)

Il fournit des noms lisibles par l’homme pour les 10… Lisez le blog complet gratuitement sur Medium.

Publié via Vers l’IA