|
文章开头提到，我们的目标是编写一个使用神经网络对 data/untrained-samples 中所有的图像进行高准确度预测的程序。这些海豚和海马的图像是在训练数据或是验证数据时候从未使用过的。 未被训练过的海豚图像
未被训练过的海马图像
接下来，让我们一起来看看在这一挑战当中存在的三次尝试的结果： 模型尝试 1： 从零开始构建 AlexNet（第 3 位） Image Dolphin Seahorse Resultdolphin1.jpg 71.11% 28.89% ?? dolphin2.jpg 99.2% 0.8% ?? dolphin3.jpg 63.3% 36.7% ?? seahorse1.jpg 95.04% 4.96% ?? seahorse2.jpg 56.64% 43.36 ?? seahorse3.jpg 7.06% 92.94% ?? 模型尝试 2：微调 AlexNet（第 2 位） Image Dolphin Seahorse Resultdolphin1.jpg 99.1% 0.09% ?? dolphin2.jpg 99.5% 0.05% ?? dolphin3.jpg 91.48% 8.52% ?? seahorse1.jpg 0% 100% ?? seahorse2.jpg 0% 100% ?? seahorse3.jpg 0% 100% ?? 模型尝试 3：微调 GoogLeNet（第 1 位） Image Dolphin Seahorse Resultdolphin1.jpg 99.86% 0.14% ?? dolphin2.jpg 100% 0% ?? dolphin3.jpg 100% 0% ?? seahorse1.jpg 0.5% 99.5% ?? seahorse2.jpg 0% 100% ?? seahorse3.jpg 0.02% 99.98% ?? 结论 我们的模型运作非常好，这可能是通过调整一个预训练的网络完成的。很显然，海豚 vs. 海马的例子有一些牵强，数据集也非常的有限——如果我们想拥有一个强大的网络，那我们确实需要更多、更好的数据。但因为我们的目标是去检测神经网络的工具和工作流程，所以这其实是一种很理想的情况，尤其是它不需要昂贵的设备或是花费大量的时间。 综上所述，我希望这些经验能够让那些一直对机器学习望而却步的人摆脱对开始学习的恐惧。在你看到它的作用之后，再决定是否要在学习积极学习和神经网络理论中投入时间要简单很多。现在你已经对它的设置和工作方法都已经有所了解，之后你便可以尝试去做一些分类。你也可以利用 Caffe 和 DIGITS 去做一些其他的事情，例如，在图像中寻找物体，或是进行图像分割。 原文链接：https://github.com/humphd/have-fun-with-machine-learning/blob/master/README.md ©本文由机器之心编译，转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心（全职记者/实习生）：[email protected] 投稿或寻求报道：[email protected] 广告&商务合作：[email protected] ，直播 (责任编辑：本港台直播) |
