CloudLite认证笔记 AI应用之基于Keras的交通标志识别

认证链接

• 腾讯云CloudLite认证
• AI应用之基于Keras的交通标志识别

目录

1. 在线学习
   1. 基于Keras的交通标志识别
2. 动手实践
   1. 基于Keras的交通标志识别

证书展示

证书

知识点摘记

1. 图像的基本属性：height，width，pixel，channel
2. 光学三原色：red，green，blue
3. HSV：hue，saturation，value
4. opencv：一个轻量、高效、常用的软件库，擅长处理计算机图形和机器学习问题
5. 实验数据集：训练集，验证集，测试集
6. 使用Keras的ImageDataGenerator类对原始图片数据进行增强
7. MobileNet
   1. Google在2017年提出的神经网络，用于进行图片特征提取，可以用于完成图片分类等不同的任务
   2. 被设计可以用于移动终端上
   3. 模型较小，预测速度较快，相对更容易用在数据较小的模型训练中
   4. keras.application.mobilenet
   5. 会输出1000个不同类别的分类结果
8. 图片分类任务是将图片数据分为若干类别，判断某张图片具体所属类别的任务
9. 预训练权值：模型的初始参数，可以使模型更快地收敛
10. Keras是一个用python编写的高级神经网络API，它能够以TensorFlow作为后端运行
11. 模型训练会处理的三类数据
    1. 输入数据
    2. 节点权重
    3. 管理训练过程的变量：超参数/在训练过程中通常不变
12. loss，损失函数，用于量化评估模型预测结果与真实标注值之间的差距
13. 训练日志：API调用与资源调用检查，模型结构，训练过程（epoch，loss，accuracy，val_loss，val_accuracy，model）
14. 二分类模型准确率 = （正类预测为正类的数量 + 负类预测为负类的数量） 除以 总数量
15. Python软件包：Keras，TensorFlow，opencv-python，numpy
16. 模型训练流程：解析脚本输入参数 -> 创建模型 -> 模型编译 -> 数据增强 -> 模型训练与保存
17. 模型测试流程：解析脚本输入参数 -> 创建模型 -> 模型加载 -> 数据读取 -> 预测与评估

社区学习

• 云+社区