Classification with Transfer Learning in Keras
152 classificações

5.472 já se inscreveram
How to implement transfer learning with Keras and TensorFlow
How to use transfer learning to solve image classification
152 classificações
5.472 já se inscreveram
How to implement transfer learning with Keras and TensorFlow
How to use transfer learning to solve image classification
In this 1.5 hour long project-based course, you will learn to create and train a Convolutional Neural Network (CNN) with an existing CNN model architecture, and its pre-trained weights. We will use the MobileNet model architecture along with its weights trained on the popular ImageNet dataset. By using a model with pre-trained weights, and then training just the last layers on a new dataset, we can drastically reduce the training time required to fit the model to the new data . The pre-trained model has already learned to recognize thousands on simple and complex image features, and we are using its output as the input to the last layers that we are training. In order to be successful in this project, you should be familiar with Python, Neural Networks, and CNNs. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Deep Learning
Inductive Transfer
Convolutional Neural Network
Machine Learning
Tensorflow
Em um vÃdeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:
Import Libraries and Helper functions
Download the Pet dataset and extract relevant annotations
Add functionality to create a random batch of examples and labels
Create a new model with MobileNet v2 and a new fully connected top layer
Create a data generator function and calculate training and validation steps
Get predictions on a test batch and display the test batch along with prediction
Sua área de trabalho é um espaço em nuvem, acessado diretamente do navegador, sem necessidade de nenhum download
Em um vÃdeo de tela dividida, seu instrutor te orientará passo a passo
por SK
28 de mai de 2020Everything was as per description! Need more advanced tasks. Thanks, Amit Sir!
por RR
13 de jul de 2020More detailed explanation could be given about functions used, parameters
por MS
7 de mai de 2020Its first time I went to the Keras and TensorFlow they are super easy to implement.
por AS
20 de jun de 2020How else would I have learned this? What a great fast way to apply a concept in real code.
Ao comprar projetos guiados, você recebe tudo o que precisa para completá-los, inclusive acesso a um espaço de trabalho de área de trabalho na nuvem por meio do seu navegador web, que contém o software e os arquivos necessários para iniciar, além de um vÃdeo de instruções passo a passo de um especialista no assunto.
Como seu espaço de trabalho tem uma área de trabalho na nuvem dimensionada para notebooks e computadores desktop, os projetos guiados não estão disponÃveis para dispositivos móveis.
Os instrutores do projeto guiado são especialistas no assunto, têm experiência com a habilidade, a ferramenta ou o domÃnio do projeto e amam compartilhar seus conhecimentos para ajudar milhões de aprendizes do mundo todo.
Você pode baixar e manter todos os arquivos que foram criados para seu projeto guiado. Para fazer isso, você pode usar o recurso "Navegador de arquivos" enquanto acessa a área de trabalho na nuvem.
Reembolsos não estão disponÃveis para projetos guiados. Consulte nossa polÃtica de reembolso completa.
Não há auxÃlio financeiro disponÃvel para projetos guiados.
A participação como ouvinte não está disponÃvel para projetos guiados.
Na parte superior da página, você pode clicar no nÃvel de experiência deste projeto guiado para visualizar os pré-requisitos de conhecimento. Em cada nÃvel dos projetos guiados, seu instrutor o guiará passo a passo.
Sim, tudo o que você precisa para completar o projeto guiado estará disponÃvel em uma área de trabalho na nuvem disponÃvel no seu navegador.
Você aprenderá na prática ao completar tarefas em um ambiente com tela dividida, diretamente em seu navegador. No lado esquerdo da tela, você completa a tarefa no seu espaço de trabalho. No lado direito, você assiste a um instrutor que o guiará pelo projeto, passo a passo.
Mais dúvidas? Visite o Central de Ajuda ao estudante.