Jika cuba tulis AI

Kami banyak bercerita tentang kod penulisan aliran baharu dengan bantuan AI. Jika anda melihatnya, ia akan menjadi jelas: AI mampu menggantikan bahagian kecil kod moden dalam syarikat.
Hari ini AI jauh lebih berkesan dalam bidang: mengesan objek, bot perkataan dan penglihatan komputer.

Pada gambar, rangkaian saraf tidak terlalu keras, yang berdasarkan satu siri lilitan dan tarikan. Reka bentuk khusus ini menamakan UNet-Segmentation.

• Sesetengah perpustakaan berguna akan membantu memberi kesan kepada data untuk rangkaian latihan: numpy, panda, matplotlib

df = pd.read_csv('data/train_masks.csv')

train_df = df[:4000]
val_df = df[4000:]

img_name, mask_rle = train_df.iloc[4]

img = cv2.imread('data/train/{}'.format(img_name))
mask = rle_decode(mask_rle)

• Langkah seterusnya kepada kejayaan pengekodan AI: menyalin achitecture ke Python (saya biasanya menggunakan Google Colab/Jupyter Notebook). Bantuan migth: keras

conv_1_1 = Conv2D(32, (3, 3), padding='same')(inp) 
conv_1_1 = Activation('relu')(conv_1_1) 

conv_1_2 = Conv2D(32, (3, 3), padding='same')(conv_1_1)
conv_1_2 = Activation('relu')(conv_1_2)

pool_1 = MaxPooling2D(2)(conv_1_2)

• Yang terakhir: latihan model. Kadang-kadang ia mengambil sedikit masa (bagi saya ~ 7 minit) untuk menyelesaikan semua bidang

model.fit_generator(keras_generator(train_df, batch_size),
              steps_per_epoch=100, 
              epochs=100, 
              verbose=1, 
              callbacks=callbacks, 
              validation_data=keras_generator(val_df, batch_size),
              validation_steps=50,
              class_weight=None,
              max_queue_size=10,
              workers=1,
              use_multiprocessing=False,
              shuffle=True,
              initial_epoch=0)

Atas ialah kandungan terperinci Jika cuba tulis AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!