Kan jy die "Quick, Draw!" datastel deur jou eie pasgemaakte beeldklas te skep?
Ja, jy kan die "Quick, Draw!" datastel deur jou eie pasgemaakte beeldklas te skep. Die "Quick, Draw!" datastel is 'n versameling van miljoene tekeninge wat deur gebruikers regoor die wêreld gemaak is. Dit is deur Google geskep as 'n manier om data in te samel vir die opleiding van masjienleermodelle. Die datastel bestaan uit 345 verskillende klasse, wat verskeie voorwerpe en konsepte verteenwoordig.
Om jou eie pasgemaakte beeldklas te skep, sal jy 'n paar stappe moet volg. Eerstens moet jy besluit oor die spesifieke klas wat jy by die datastel wil voeg. Dit kan enige voorwerp of konsep wees wat nie reeds in die bestaande klasse ingesluit is nie. Byvoorbeeld, kom ons sê jy wil 'n nuwe klas vir "eenhorings" byvoeg.
Sodra jy op die klas besluit het, sal jy 'n stel tekeninge moet versamel wat daardie klas voorstel. Jy kan hierdie tekeninge self skep of dit uit ander bronne versamel. Dit is belangrik om te verseker dat die tekeninge relevant en verteenwoordigend is van die klas wat jy byvoeg.
Vervolgens moet jy die tekeninge op dieselfde manier formateer as die bestaande "Quick, Draw!" datastel. Elke tekening moet voorgestel word as 'n reeks beroertes, waar elke beroerte 'n lys punte is. Die punte moet 'n x- en y-koördinaat hê, sowel as 'n tydstempel. Hierdie formaat laat die masjienleermodelle toe om die struktuur en volgorde van die beroertes te verstaan.
Sodra jy die tekeninge geformateer het, kan jy dit by die bestaande datastel voeg. Jy sal die nuwe tekeninge by die toepaslike klaslêer moet voeg, in hierdie geval die "unicorn" klaslêer. Elke klaslêer is 'n versameling tekeninge in dieselfde formaat as hierbo beskryf.
Nadat u die nuwe tekeninge bygevoeg het, sal u die masjienleermodelle moet heroplei met behulp van die opgedateerde datastel. Dit sal behels dat die opleidingsproses weer uitgevoer word deur die nuwe datastel te gebruik wat u pasgemaakte beeldklas insluit. Die modelle sal dan leer om die nuwe klas saam met die bestaande klasse te herken en te klassifiseer.
Deur die uitbreiding van die "Quick, Draw!" datastel met jou eie pasgemaakte beeldklas, dra jy by tot die diversiteit en rykdom van die datastel. Dit kan verskeie voordele inhou. Eerstens laat dit die masjienleermodelle toe om 'n groter verskeidenheid voorwerpe en konsepte te leer en te herken. Dit kan hul akkuraatheid en veralgemeningsvermoëns verbeter. Tweedens bied dit 'n geleentheid vir navorsers en ontwikkelaars om nuwe toepassings en gebruiksgevalle te verken. Byvoorbeeld, die byvoeging van 'n "eenhoorn"-klas kan die ontwikkeling van toepassings moontlik maak wat teken en interaksie met eenhorings behels.
Jy kan die "Quick, Draw!" datastel deur jou eie pasgemaakte beeldklas te skep. Dit behels die insameling van relevante tekeninge, die formatering daarvan op dieselfde manier as die bestaande datastel, die byvoeging daarvan by die toepaslike klaslêer, en die heropleiding van die masjienleermodelle. Deur dit te doen, dra jy by tot die diversiteit en rykdom van die datastel, die verbetering van die modelle se vermoëns en maak nuwe toepassings moontlik.
Ander onlangse vrae en antwoorde t.o.v EITC/AI/GCML Google Cloud Machine Learning:
- Is TensorBoard die mees aanbevole hulpmiddel vir modelvisualisering?
- Wanneer die data skoongemaak word, hoe kan mens verseker dat die data nie bevooroordeeld is nie?
- Hoe help masjienleer kliënte met die aankoop van dienste en produkte?
- Hoekom is masjienleer belangrik?
- Wat is die verskillende tipes masjienleer?
- Moet aparte data gebruik word in die daaropvolgende stappe van die opleiding van 'n masjienleermodel?
- Wat is die betekenis van die term bedienerlose voorspelling op skaal?
- Wat sal gebeur as die toetssteekproef 90% is terwyl evaluering of voorspellende steekproef 10% is?
- Wat is 'n evalueringsmetriek?
- Wat is algoritme se hiperparameters?
Bekyk meer vrae en antwoorde in EITC/AI/GCML Google Cloud Machine Learning