Python深度学习图像分类
学习使用预训练模型和迁移学习以及Python和Google Colab进行图像分类的深度学习和计算机视觉
更新于 2024年9月
语言 - 英文
讲座 -22
资源 -4
时长 -1.5小时
终身访问
课程描述
本课程将教你使用预训练模型进行基于Python和PyTorch的图像分类深度学习。图像分类是一个计算机视觉任务，它使用机器学习技术识别输入图像并预测图像的单标签或多标签输出。
你将使用Google Colab笔记本编写用于基于深度学习模型的图像分类的Python代码。
你将学习如何将Google Colab连接到Google Drive以及如何访问数据。
你将使用诸如图像缩放和中心裁剪等不同的变换进行数据预处理。
你将使用Python的深度学习模型执行两种类型的图像分类：单标签分类和多标签分类。
你将学习迁移学习技术
1. 通过微调模型进行迁移学习。
2. 将模型用作固定特征提取器进行迁移学习。
你将学习如何执行数据增强。
你将学习如何加载数据集和数据加载器。
你将学习微调深度Resnet模型。
你将学习如何使用深度Resnet模型作为固定特征提取器。
你将学习超参数优化和结果可视化。
在单标签分类中，当你将输入图像馈送到网络时，它会预测单个标签。在多标签分类中，当你将输入图像馈送到网络时，它会预测多个标签。你将学习ResNet和AlexNet等深度学习架构。ResNet是一个为图像分类和识别而提出的深度卷积神经网络。ResNet网络架构专为分类任务而设计，在包含1000个类别的ImageNet自然场景数据集上进行训练。深度残差网络在ILSVRC 2015分类挑战赛中获得第一名。AlexNet是在ImageNet数据集上训练的深度卷积神经网络，用于将图像分类为1000个类别。它具有五个卷积层，随后是最大池化层和三个全连接层。AlexNet赢得了ILSVRC 2012分类挑战赛。你将使用ResNet和AlexNet深度学习模型进行图像分类。深度学习社区从这些开源模型中受益匪浅，其中预训练模型是计算机视觉和深度学习研究快速发展的关键原因。
目标
- 学习使用深度学习预训练模型进行图像分类
- 学习单标签图像分类和多标签图像分类
- 学习ResNet和AlexNet等深度学习架构
- 在Google Colab中编写Python代码
- 将Colab连接到Google Drive并访问数据
- 使用变换进行数据预处理
- 使用ResNet和AlexNet执行单标签图像分类
- 使用ResNet和AlexNet执行多标签图像分类
- 学习迁移学习
- 数据集、数据增强、数据加载器和训练函数
- 深度ResNet模型微调
- ResNet模型超参数优化
- 深度ResNet作为固定特征提取器
- 模型优化、训练和结果可视化
先决条件
- 本课程教授Python和Pytorch深度学习。
- 需要一个Google Gmail帐户才能开始使用Google Colab编写Python代码。
课程大纲
查看课程内容的详细分解
简介
1 节课程
-
课程介绍 02:22 02:22
预训练模型定义
1 节课
使用Google Colab编写Python代码
1个讲座
从 Google Drive 访问 Colab 数据
1 个讲座
基于深度学习模型的单标签图像分类
2 个讲座
迁移学习
1 节课
数据集、数据增强、数据加载器和训练函数
1个讲座
模型优化
1 节课
深度残差网络特征提取器
1 节课
资源：通过微调和模型特征提取器进行迁移学习的代码
2个讲座
讲师 详情
Mazhar Hussain
课程 证书
利用您的证书来改变职业或在您目前的职业中提升。
我们的学生与
最好的合作
相关视频课程
查看更多
