昨天花了些時間複習 tf.keras API (點我)。除了建個簡單的卷積神經網路 (Convolution Nerual Network, CNN)，也丟了最簡單的 MNIST 數字集來訓練，很快就複習一遍相關的程式，反而整理程式寫文章花了許多時間QQ。雖說是複習 API，但還是試了不少新東西，但主要就是用 tf.data.Dataset 讀取資料的方式，所以就決定單獨寫一篇文章來紀錄一下。 tf.data.Dataset 先來看官方解說，內容就直接貼上來了。 The tf.data.Dataset API supports writing descriptive and efficient …

這裡會學到 讀取 MNIST 資料 CNN 模型建立 訓練參數設定 評估、預測模型 有一些基本的東西這邊就不講了，像是 TensorFlow 環境建立、MNIST 資料集的介紹..等等，直接去看我之前的文章。 程式架構 分成三個檔案： MyModel.py MyTools.py mnist_ds.py 這些檔案可能會隨著我測試的東西而改變，所以檔案說明以 GITHUB 上的 README 為主，檔案用途會寫在上面。 程式流程 CNN 模型建立 讀取 MNIST 資料 載入模型、輸出模型架構 定義訓練參數 訓練模型 預測測試資料 評估測試資料 程式碼 一、CNN 模型建立 ( …

人工智慧 vs 機器學習 vs 深度學習 人工智慧 (Artificial Intelligence, AI) - 藉由人工製作的機器來模擬人類行為，像是人類感官的視覺聽覺，身體肢體動作，甚至到推理學習，都是屬於人工智慧的範疇。更早以前，基於許多規則來定義系統也可以算是人工智慧的一環。 機器學習 (Machine Learning, ML) - 這是通過大量資料學習其中規則，從而實現人工智慧的一種技術 深度學習 (Deep Learning, DL) - 眾多機器學習演算法中的其中一種方法，前身是類神經網路，由於神經網路的技術突破，深度學習成為目前最活耀的技術，常被用來解決影像或是自然語言辨識 …

人工智慧 (Artificial Intelligence, AI)，一直是大家對於科技的想像，希望電腦能像人類一樣聰明。其實，AI 已經充斥在我們生活中；而現今的代表技術正是機器學習 (Machine Learning)，而眾多機器學習演算法中，深度學習 (Deep Learning) 是近期最熱絡，成長最快的技術。這篇將從最基本的數字便式學習如何實現深度學習網路。 深度學習的應用中，可以大致區分兩大類 一、使用影像資料進行分析的卷積神經網路 (Convolution Neural Networks, CNN) 二、用自然語言資料進行分析的遞歸神經網路 (Recurrent Neural …

由於疫情關係，出門都要帶著口罩，為了確保進出的人都能戴口罩，因此衍伸出了這個主題。雖然說物件偵測之前有做過，但開始做之前還是看了不少國外的範例，其實大家方法都差不多，如果是使用深度學習，感覺就差資料庫的不同而已，所以最後決定就使用 OpenCV + 深度學習的辨識模型來實作看看。 這其實是去年做的一個小專題，趁著還有印象來記錄一下😄😄 程式架構 整個架構分成兩個部分，先用 OpenCV 的人臉辨識來找到臉的位置，再利用 CNN 來辨識這張臉是否有帶口罩。CNN 的部分會用 Keras 來訓練分類模型，將會分成戴口罩和沒戴口罩的類別，而訓練用的影像資料將會從別人 Open Source 的資料庫 …

最近剛口試完，複習一下混淆矩陣的定義 透過混淆矩陣可以計算模型的效能指標，例如 accuracy、precision、recall ……等指標。計算這些指標有助於判斷模型的訓練是否有達到預期，或是訓練過程中即可發現訓練異常，總之就是要用來判斷模型是否可行的判斷依據。 True Positive：正陽性，預測正，實際正。 True Negative：正陰性，預測負，實際負。 False Positive：偽陽性，預測正，實際負。 False Negative：偽陰性，預測負，實際正。 三種指標的定義 Precision：預測正樣本中，實際為正樣本的比例。 Recall：所有正樣本中，真正檢測出正 …