Advertisement

web-deep-learning-classifier：利用深度学习模型实现食物分类（Web应用）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
web-deep-learning-classifier是一款基于深度学习技术的食物分类Web应用。用户上传图片后，系统能快速准确地识别并归类不同种类的食物，为用户提供便捷的图像识别服务。 训练图像分类器并创建Web应用程序：我们的示例是食物图像分类器。 如果您使用了我们的博客或GitHub存储库来开发自己的Web或移动应用，请考虑通过以下引用方式认可我们所做的工作： Pattaniyil，Nindhin和Shaikh，Reshama，2019年 该项目由上述作者共同完成。以下是模型训练所用的工具： - fastai：版本1.0.42 - PyTorch：版本1.0.0 - Python：3.6版 用于部署模型的工具有： - 赫鲁库Flask：1.0版

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • web-deep-learning-classifier：利用深度学习模型实现食物分类（Web应用）
    优质
    web-deep-learning-classifier是一款基于深度学习技术的食物分类Web应用。用户上传图片后，系统能快速准确地识别并归类不同种类的食物，为用户提供便捷的图像识别服务。 训练图像分类器并创建Web应用程序：我们的示例是食物图像分类器。 如果您使用了我们的博客或GitHub存储库来开发自己的Web或移动应用，请考虑通过以下引用方式认可我们所做的工作： Pattaniyil，Nindhin和Shaikh，Reshama，2019年 该项目由上述作者共同完成。以下是模型训练所用的工具： - fastai：版本1.0.42 - PyTorch：版本1.0.0 - Python：3.6版 用于部署模型的工具有： - 赫鲁库Flask：1.0版
     
  • 深度学习模型概览（MATLAB | Deep Learning Designer）第一部分
    优质
    本教程为《深度学习模型概览》系列的第一部分，使用MATLAB中的Deep Learning Designer工具介绍基础概念和操作流程。 预训练模型包含以下部分（注意由于文件巨大被分为了三部分）：AlexNet、Darknet_19、Darknet_53、DenseNet_201、EfficientNet_b0、Inception_ResNet_v2、Inception_v3、LeNet、LeNet_Places365、mobileNet_v2、NasNet_large、NasNet_mobile、ResNet_18、ResNet_50、ResNet_101、shuffleNetVGG_16和Xception。所有模型变量储存在其对应名字的mat文件夹中，加载后的模型变量皆为net。使用较新版本的Matlab可以支持更多的这些模型，在Matlab深度学习工具箱中的深度网络编辑器里可以从工作区导入，并根据需求进一步改进。 关于每个模型的具体内容解释，请参考相关文档或博客文章。
     
  • 深度学习模型概览（MATLAB | Deep Learning Designer）第二部分
    优质
    本教程为《深度学习模型概览》系列的第二部分，采用MATLAB与Deep Learning Designer工具，深入讲解深度学习模型的设计、训练及优化。 该部分预训练模型包含EfficientNet_b0（part2）、Inception_ResNet_v2(part2)、Inception_v3(part2)、LeNet(part2)、LeNet_Places365（part2）、mobileNet_v2(part2)、NasNet_large(part2)、NasNet_mobile(part2)和ResNet_18(part2)，所有模型变量储存在其对应名字的mat文件夹中，加载后模型变量皆为net。使用MATLAB版本越高所支持其中的模型越多，在MATLAB deep learning toolbox中的深度网络编辑器里可以从工作区导入这些模型，并根据自己的需求进一步进行改进。 关于具体细节可以参考相关文档或博客文章以获得更多信息。
     
  • 深度学习模型综述（MATLAB | Deep Learning Designer）第三部分
    优质
    本篇文章为《深度学习模型综述》系列的第三部分，重点介绍使用MATLAB中的Deep Learning Designer工具进行模型设计和实现的方法。 预训练模型包括ResNet_50（part3）、ResNet_101（part3）、shuffleNet（part3）以及VGG_16（part3）。所有模型变量存储在其对应的mat文件夹中，加载后模型变量皆为net。使用Matlab的最新版本可以支持更多的这些模型，在Matlab深度学习工具箱中的深度网络编辑器可以从工作区导入，并根据自己的需求进一步改进。关于每个模型的具体内容解释，请参考相关文档或资源。
     
  • 深度学习的应用与方法（Deep Learning Applications and Methods）
    优质
    本课程深入探讨深度学习理论及其应用实践，涵盖神经网络架构、训练技术及优化策略，旨在提升学员解决复杂数据问题的能力。 压缩包内包含《深度学习方法及应用》和《Deep Learning Methods and Applications》，即邓力、俞栋合著的课本中文版及英文版PDF文件，仅供个人学习参考使用，严禁用于商业用途。
     
  • Java-Deep-Learning-Cookbook: 《Java深度学习食谱》，由Packt出版
    优质
    本书《Java深度学习食谱》由Packt出版社出版，提供了一系列使用Java进行深度学习的实际解决方案和示例代码。 《Java深度学习食谱》是Packt Publishing赞助的一本即将出版的书籍的代码存储库。本书的所有用例都使用并推广了deeplearning4j库。该书使用的官方deeplearning4j版本为1.0.0-beta3，因此书中讨论的一些方法或功能可能在较新版本中已被弃用，请务必参考最新文档。 更新版《Java深度学习指南》于2019年11月8日发布。每个章节将有一个单独的源文件夹来存放该章的所有示例代码。例如，如果要导入第2章的代码，则需要先导航到相应的目录，然后在IDE中导入sourceCode/cookbook-app目录，并且您应该能看到pom.xml文件。 从IntelliJ IDE 导航至sourceCode根目录后，请将项目作为Maven项进行配置和构建。
     
  • DBNMatlab代码-Deep-Learning: 深度学习
    优质
    这段GitHub仓库包含了用于深度学习研究的DBN（深层信念网络）的Matlab实现代码，适用于对深度学习感兴趣的开发者和研究人员。 深度学习是机器学习的一个重要领域，它通过使用多个隐藏层来对数据的高级表示进行建模。受限玻尔兹曼机（RBM）被开发出来用于建模输入数据分布，并作为特征提取器应用于各种分类算法中。深度信念网络（DBN）是由若干RBMs堆叠而成的一种结构，在贪婪预训练之后，这些RBMs可以初始化一个多层神经网络，然后通过反向传播进行微调。 在这一过程中，我们可以通过添加一个名为“分级RBM（ClassRBM）”的输出层到隐藏层之上来修改受限玻尔兹曼机。这个新架构能够同时对输入分布及其类别标签建模，并作为一种监督学习结构独立地执行分类任务。 在这项研究中，我们将ClassRBM作为顶层应用于深度信念网络，在无监督模式下进行贪婪预训练后对其进行微调，从而获得了比传统DBN更高的准确率。我们认为这种性能的提升源于预先对RBM堆栈和输出层之间权重的训练，这些权重在之前的随机初始化阶段用于后续的微调过程。
     
  • TF-Deep-Learning：基于TensorFlow的深度学习模型合集
    优质
    TF-Deep-Learning 是一个基于 TensorFlow 的开源项目，提供了一系列用于构建、训练及部署深度学习模型的工具和资源。该项目汇集了各种经典的神经网络架构，并支持快速实验与开发先进的机器学习应用。 该存储库包含我从Udacity的入门到TensorFlow深度学习课程的工作。 内容： 1. 摄氏到华氏转换器 目的：使用线性回归模型（根据输入预测单个值）进行机器学习的概念证明项目。 潜在扩展方向包括能够一次测试多个数字，而不是一个值；查找其他线性方程之间的关系以及更复杂的方程之间的关系。 2. 服装分类器 目的： 使用简单的神经网络从Fashion MNIST数据集中对10种类型的服装进行分类。该模型在测试集上的准确率为87.84%。 使用的数据集涉及了以下对比： - 线性回归与分类问题的区别； - 分类任务使用稀疏分类交叉熵损失函数和softmax激活函数，而回归任务则不使用特定的激活函数且通常采用均方误差作为损失度量。 3. 使用卷积神经网络（CNN）进行服装分类 目的：建立并训练一个卷积神经网络对服装图像进行识别。
     
  • Deep Learning with Python: 使用Python开展深度学习
    优质
    《Deep Learning with Python》一书指导读者利用Python语言进行深度学习实践，涵盖TensorFlow和Keras库的应用。 使用Python进行深度学习：数分钟即可上手并从想法到见解 这是我对Python沙箱的深入学习。还有更多。 我2015年西雅图PyData演讲的幻灯片可以查看。 我2015年西雅图PyData演讲的视频也可以观看。