Com o desenvolvimento da Internet, segurança de conteúdo da Internet tornou-se um sério desafio tinha a cara. Subir comunidade, os usuários de qualidade desigual, devido à "jurisprudência" foi ordenada infinidade fechadas de sites, por isso "Kam Wong" é também muito importante. Enquanto cada velocidade empresas de Internet têm dedicado pessoal para fazer revisão de conteúdo, mas não pode manter-se com o desenvolvimento de conteúdos, fácil de questionar a auditoria revisão manual não é oportuna, custo e outros julgamentos subjetivos afetar os resultados aparecem.
Então a imagem Kam Wong profundidade através de técnicas de inteligência artificial para aprender é iminente. No conjunto de dados actual, compreendendo um total de cinco tipos de categorias de imagens, cada imagem tem pelo menos 1000, em que a proporção conjunto de treino e um conjunto de teste de validação conjunto divisão de 6: 2: 2.
Análise: Saída dimensões de recursos Corrida 5 intitulado classificação de imagens, resnet50 seleção preliminar, vgg19, os resultados dos testes densenet, o uso de pesos pré-treinados, camada de saída mudança softmax 5.
(Métodos de solução principais e destaques, incluindo mas não limitado a dados pré-processamento, valorização de dados, seleção de modelo, modelo de otimização, integração do modelo) a idéia central
Depois de outras tentativas usando rede resnext, utilizando peso aberta (de github) detalhes de programação são como se segue:
- Seleção de resnext101_32x16 rede e os pesos pré-treinado :, citado pytorch relacionado implementação da biblioteca,
- conversão de imagem: a probabilidade aleta horizontal 0,5.
- camada de rede congelamento: os primeiros cinco camadas (a título deste competiam os melhores resultados). ajuste de parâmetros de referência da experiência anterior da seguinte forma: Cenário: pequenos conjuntos de dados, a similaridade de dados não é alta, neste caso, podemos congelar pré-k camadas pré-treinamento do modelo no peso, e depois camadas nk Reajuste de volta, é claro, a última camada necessidade de ser modificado de acordo com o formato de saída correspondente.
- Devido à semelhança de dados não é alta, o processo de re-formação torna-se crítica. A falta de tamanho novo conjunto de dados, ele é composto por camada pré-k do modelo pré-treinamento congelado.
- tamanho da imagem: 2245 diminuiu aprender Classificação: estratégia de cosseno de recozimento - torch.optim.lr_scheduler.CosineAnnealingLR ()
Experimente Harvest (competição da colheita, os pontos de experiência, habilidades de jogo)
- O modelo ea escolha de pesos é fundamental para fins de ajuste fino de classificação de imagens. Tipo rede adequada contribui para alta precisão, e começar a modelo pré-treinamento determina a ACC ea convergência velocidade, rápida convergência para o ótimo global.
- tamanho da imagem, em seguida, em geral, quase 224, se muita memória não é suficiente, é preciso reduzir a batch_size pode afetar a ACC.
- Saiba descendente taxa de decaimento, o .CosineAnnealing escolha política. Métodos relacionados foram encapsulados em pytorch Lane.
- transformação de imagem, então você pode selecionar um ou dois simples e eficiente. exemplo Centro de recorte, horizontal, vertical flip, transformação afim, rotação sobre o apagar pixel central. Finalmente, então, no final da corrida fase, temos que confiar na sorte para melhorar a 0. um pouco, tanto quanto possível submeter várias vezes. método correspondente pode ser encontrado neste torchvison pacote.
Este artigo é o autor FlyAI liberação plataforma de conteúdo original, utilizando os Attribution Creative Commons - Uso Não Comercial - Não Contrato de Licença Derivative Works 4.0 Internacional para licenciamento, reproduzido, por favor anexar o link da fonte original e esta declaração.
Este endereço de link (vídeo directa para explicar): https://www.flyai.com/n/97740
