ia 3

Edição de experiência de programação de aprendizagem profunda

Objetivos deste capítulo

Tempo estimado de conclusão: 10 minutos a 30 minutos

• Aprenda o uso básico do Google Collaboratory e torne-se capaz de aprender profundamente programação com o navegador.

Introdução

Este texto destina-se a experimentar a programação de aprendizagem profunda rapidamente. 
Portanto, Python programando gramática básica e, scikit-learn e numpy e pandas, e uso básico de matplotlib, descrição do tutorial da estrutura de aprendizado profundo, como TensorFlow ou Keras e Chainer Deixo para outro texto, descrito no texto Nós não estamos fazendo isso, por favor, entenda.

Vamos começar a aprender profundamente no Google Collaboratory!

Vou explicar como usar o Google Collaboratory (Google Collaboration Leight) que o Google oferece para a educação e a pesquisa em aprendizado de máquina, além de programar Python e programar aprendizado de máquina. 
Usando o Collaboratory, a instalação é desnecessária e é possível preparar o ambiente Python imediatamente. 
(Como o Python e o Machine Learning Library estão instalados, você não precisa instalar o Python.) O 
custo é gratuito e o ambiente de CPU e GPU (12 horas de uma vez) está disponível, o que você prepara é uma Conta do Google Você pode usar se tiver. 
Além disso, é possível executar a seguinte estrutura típica de aprendizagem profunda. Para usar o 
TensorFlow / Keras / Chainer / PyTorch Colaboratory,
basta acessar a URL abaixo. 
Vamos usá-lo imediatamente. 
Depois de fazer login com sua Conta do Google, visite o link abaixo. 
Google Colaboratory

Crie um caderno

Será exibida a tela "Caderno recente". Selecione "Novo caderno de PYTHON 3" na parte inferior esquerda da tela e clique em. 
Ou, é o mesmo para "Criar novo bloco de anotações do Python 3" no menu superior esquerdo.

· No caso de "Criar novo caderno do Python 3" no menu superior esquerdo

A tela Colaboratory apareceu? 
Agora, há um editor de texto azul claro no lado direito do botão de execução do triângulo de bala, então 
escreva o programa lá.

1

print ( "olá Python" )

Levará algum tempo no início, mas se você esperar um pouco, o resultado será exibido. 
A propósito, os cadernos criados automaticamente são salvos no Google Drive.

Em seguida, vou desenhar um gráfico usando o módulo de desenho gráfico do Python, Matplotlib.

1

import  numpy  como  np

2

Import  Matplotlib . Pyplot  Como  Plt

3

No caso

4

Crie # 0 a 10 em intervalos de 0,1 e gere ndarray com 100 elementos

5

X  =  Np . Arange ( 0 , 10 , 0,1 )

6

Plt . Plot ( X )

7

plt . show ()

8

No caso

Tente usar o GPU

Como não é uma GPU ao criar um notebook, torne a GPU utilizável pela seguinte operação.

Escolha o tempo de execução no menu superior> Alterar tipo de tempo de execução. 
Altere o acelerador de hardware de Nenhum para GPU e salve-o.

Bem, se você executar o seguinte e saída '/ device: GPU: 0', então você pode usar o GPU.

Além disso,

1

! cat  / proc / cpuinfo

E

1

! cat  / proc / meminfo

Você pode verificar as especificações da máquina da Colaboratory executando-a.

Experiência de programação de aprendizado profundo

Desta vez vamos usar Keras para fazer um modelo para reconhecer cães. 
Usamos VGG 16 (um total de 16 redes neurais de convolução com 13 camadas de convolução e 3 camadas para todas as camadas de ligação). 
de keras.applications.vgg16 import O VGG16 pode ser usado com o VGG16.

Por favor copie e cole o seguinte programa.

1

# Importar os módulos necessários

2

De  Keras . Applications . Vgg16  Import  VGG16 , Decode_predictions , Preprocess_input

3

De  Keras . Preprocessing  Import  Imagem

4

from  PIL  import  Image

5

import  numpy  como  np

6

import  urllib . request  como  urllib

7

No caso

8

"" ""

9

filename: arquivo de imagem a ser determinado

10

tamanho: quantos itens para exibir o resultado previsto (valor inicial 10)

11

"" ""

12

def  prever ( nome do arquivo , tamanho = 5 ):

13

No caso

14

    Filename  =  urllib . Urlopen ( nome de arquivo ) # obter a imagem de entrada a partir da Web

15

    Img  =  Imagem . Load_img ( Matrícula , target_size = ( 224 , 224 )) lê a imagem #

16

    X  =  Imagem . Img_to_array ( Img ) # converter o arquivo de imagem para um número

17

    X  =  Np . Expand_dims ( X , Eixo = 0 ) aumentar a dimensão #

18

    Pred  =  Modelo . Prever ( Preprocess_input ( X )) # processamento que estão puxando o valor médio em toda a linha

19

    results  =  decode_predictions ( pred , top = size ) [ 0 ] # Converte 1000 classes de VGG 16 em strings com decode_predictions ()

20

    retornar  resultados

21

No caso

22

# Use VGG16

23

modelo  =  VGG 16 ( pesos = "imagenet" )

24

No caso

25

# Processo de julgamento Dog

26

filename  =  "https://aiacademy.jp/dataset/dog1.jpg"

27

No caso

28

resultados  =  prever ( nome do arquivo , 10 )

29

para  resultar  em  resultados :

30

    imprimir ( resultado )

A imagem de http://aiacademy.jp/dataset/dog1.jpg estará abaixo.

Eu o reconheço firmemente como golden_retriever e 79%.

Ponto de atenção

Se a operação não funcionar por cerca de 90 minutos, a máquina virtual será interrompida e os dados e a biblioteca carregados serão inicializados. 
Embora esse ponto seja desvantajoso, há uma vantagem de poder usar máquinas virtuais que o Python e outras bibliotecas de aprendizado de máquina são instaladas desde o início a partir do navegador gratuitamente.

Resumo

Ao usar o Google Collaboratory, a programação de aprendizado de máquina pode ser feita em ambiente de GPU sem criar ambiente livre. 
Sem usar a nuvem, estruturas representativas, como o TensorFlow e o Keras, também podem ser movidas.