내용
0 환경
1 소개
2 개 아이디어
3 영상 분류
4 요약
0 환경
파이썬 버전 : 3.6.8
시스템 버전 : 맥 OS 모하비
파이썬 Jupyter 노트북
1 소개
7 월은 최근에 멍과 폭행 고문하는 새로운 정책 이었음에 틀림 없다, 그것은 쓰레기입니다. "상하이 도시 고형 폐기물 관리 조례"공식적으로, 나는 나 같은 많은 작은 파트너, 여전히 믿는다 구현되는 카테고리에 던져 질해야하는지 완전히 명확하지가되었습니다. 다시 기분이 매일 배우는 정말 큰 머리, 거부한다.
나는 진주 우유 차 한 잔을 마시는 그렇게 던져해서는 안 들었
우선, 차 더 마시고 풀에 물을 부어 없음, 1
젖은 쓰레기로 2, 진주, 과일, 고기와 다른 파편을
3으로 컵에 던져 건조 쓰레기
4, 뚜껑 뜨거운 음료 (예를 들어, 뜨거운 음료의 대부분)은, 플라스틱 커버가 재활용 폐기물 운다에 기인 할 수있는 경우 다음의 커버이며,
여기를 참조하십시오, 우리는 갑자기 하, 하, 우유를 마시지하지 않으되지 않습니다. 그러나 쓰레기가 수행 할 수 있지만, 또한 차를 마시는있어서, 중요하지 않습니다.
음, 여기에 우리가, 인공 지능, 데이터를 논의 할 과학적 방법은 우리에게 더 나은 쓰레기를 도울 수 있는가? 그러기 위해서는 우리는 걱정할 쓰레기를 던져 모르겠어요.
이 개 아이디어
이 문제는 아마도 하나 이상에 대한 해결. 여기에 그냥 시작하고, 몇 가지 간단한 통찰력을 제공합니다.
제 1 실시 예는, 정크 정보 테이블 데이터 다음 전통적인 기계 학습 방법을 할 수있다.
두 번째 옵션은 모든 쓰레기 정보는 지식지도를 만들기 위해, 각 시간은 질의는 사전에 정보를 동일한 액세스 같다.
세 번째 옵션은 지금 확인하고 스팸을 분류하는 깊은 학습 방법을 사용할 수있다. 건조 폐기물, 젖은 폐기물, 유해 폐기물 또는 재활용 폐기물을 우리가 쓰레기 사진을 줄 때마다, 그래서이 속한 카테고리를 식별 할 수있는 모델이다.
3 화상 분류
이미지 분류는 학습의 깊이의 고전적인 응용 프로그램입니다. 입력은 사진입니다, 다음 모델의 깊은 학습에 일부 처리 후, 모델은 정크 범주에이 이미지를 반환합니다. 건조 폐기물, 젖은 폐기물, 유해 폐기물 또는 재활용 폐기물 : 여기에서 우리는 네 가지 범주를 고려한다.
우리는 사진 항목을 분류,이 영상 처리 및 인식의 영역이다. AI는 이러한 종류의 문제를 해결하기 위해 콘볼 루션 신경망 (컨볼 루션 신경망, CNN)을 사용 하였다.
나는 모델을 구축 할 keras 패키지와 Tensorflow 백엔드를 사용합니다. 때문에 훈련 샘플 세트가 상대적으로 부족가되는, 그래서 오직 아이디어와 코드 세트가 제공 할 수 있습니다. 우리는 직장 교육 모델 전에 데이터 수집의 물결을 실시했다.
코드는 일반적으로 모양에서 우리는 봐
먼저 필요한 패키지를 가져옵니다.
어떻게 준비 작업을한다.
상기에서는 일부 변수가 초기화 배치 크기는 128이다 때문에 필요 분류 번호 num_classes = 4, 4, 건조 폐기물, 습식 폐기물, 유해 폐기물을 재활용 폐기물이 네 종류이다. 시대는 우리가 훈련을 할 시간이다. 다음으로, img_rows는 img_cols는 = 28, 28 우리는 사진의 위도 크기를했다.
.reshape (60000,28,28,1)에서, 60000는 이미지 (가변)의 개수, 화상 크기가 28 (조정)하고, 평균 채널 인 채널 1 = 흑백을 말한다. .reshape (10000,28,28,1)는 같은 이유이지만, 사진의 수는 10000입니다.
마지막 두 줄에, 우리는이 벡터 (매트릭스)로 표시되고, 우리의 목표는 변수 이분법으로 변환하는 가치. [1,0,0,0] 건조 제품을 지칭 예컨대, [0,1,0,0] 젖은 쓰레기 등을 지칭한다.
다음에 모델의 일부분이다.
우리는 풀 모델로 회선 층과 층을 추가했다. 활성화 기능은 거의 널리 회선 신경 네트워크와 깊은 학습에 사용 된 relu, relu 기능입니다. 우리는 또한 오버 피팅 드롭 아웃을 줄이기 위해 층 사이에 추가. 조밀 층은 예측 종류를 확인하는 데 사용된다.
모델 후, 우리는 모델을 검증하기 위해 온라인 정확성을 보장해야한다.
여기서 우리는 모델링 아마하신 전망이다. 이 수용 가능한 수준에 도달 할 때까지 좋은 모델은, 우리는 그것을 최적화 등의 표시의 정확성을 개선하기 위해 계속해야합니다.
이 최적화 과정, 우리는 깊이 논의하고, 나중에 계속하려면 여기를하지 않습니다.
4 요약
이 방법을 구현하는 것이 가능하지만, 실제 작업이 확실히 특히 정확도 높은 요구와 함께, 더 복잡 할지라도 그것은, 그것을 언급 할 가치가있다.
또한 개발의 우리의 분류 모델을 쓰레기의 몇 가지 유형을 포함하는 사진이 더 어려운, 매우 복잡 될 때.
예를 들어, 우리는 폐기물에게 그것은 하나의 범주에 속하지 않기 때문에 사진이 상대적으로 큰 머리 쓰레기, 여러 종류가 포함되어 있습니다 차 한잔을 수행합니다.
어려운 길 앞서 예 확실히,하지만 당신은 여기에 공유 할 때의 출발점은 그것의 토론을 시작합니다.
결국, 이백은 "이 위대한 야망, 항해 바다"고 말했다.
어떤 공공 우려 " 파이썬 열은 "무대 응답 " 쓰레기 (2)는 "이 기사에 대한 코드의 전체 세트를 얻을 수 없습니다. 더 흥미로운 파이썬은 당신을 기다리고