3. Sügavõpe: andmestikud, kadu, õpisamm ja mudeli parandamine

Minu Colab märkmikk. Fastai originaal Goodle Colab märkmikk. Andmestiku uurimine Andmestiku The Oxford-IIIT Pet Dataset veebileht. Kuidas on andmestik (datset) organiseeritud? Et näha, mis andmestikus on: Andmestik koosneb kahes kataloogist: images ja annotations. Veebileht ütleb, et märkuste (annotations) kataloog sisaldab, infot kus lemmikloomad asuvad, mitte seda mis nad. Kui meid asukoht ei huvita siis võimeContinue reading “3. Sügavõpe: andmestikud, kadu, õpisamm ja mudeli parandamine”

2. MNIST ja sügavõpe

Minu Google Colab märkmik aga parem vaata fastai 04_mnist_basic. Üks tuntumaid andmestike (dataset) on MNIST, mis sisaldab käsitsikirjutatud numbreid. Seda kasutati ühes esimeses praktilises käsitsikirjutatud numbrijärjestuste äratundmise süsteemis Lenet-5 aastal 1998. Laemealla MNIST_SAMPLE andmestiku. See sisaldab ainult numbreid 3 ja 7! Kuvame selle kataloogi (path) sisu: Masinõppe andmestikud (datasets) on tavaliselt jaotatud eraldi kataloogideks: treeningandmestikContinue reading “2. MNIST ja sügavõpe”

Andmekogu loomine jmd-imagescraper abil

Sügavõppe mudelite treenimiseks on vaja palju sildistatud pilte. Üks lihtsamaid mooduseid sellise andmekogu loomiseks on kasutada mõnd otsingumootorit. Otsingumootoriks on DuckDuckGo, mis kasutab Bing otsingumootori koostatud indeksit. Nii, et tulemused on üsna sarnased. Negatiivne külg on ,et leitud vasted on kõik ameerika kesksed ja ei arvesta lokaalsete eripäradega. Näiteks on siga mingi teibi bränd jaContinue reading “Andmekogu loomine jmd-imagescraper abil”

1. Sügavõpe (Deep leartning)

Lühi konspekt originaal fastai märkmikust 02_production.ipynb Masinnägemine Computer vision object recognition – asjade äratundmine object detection – asjade tuvastamine: asukoht, nimi segmentation – iga piksel kategoriseeritakse selle järgi, mis objekti osa ta on. out-of-domain data – Sügavõppe mudelid ei ole üldiselt head nende piltide äratundmisel, mis erinevad oluliselt struktuuri või stiili poolest nendest piltidest millega tedaContinue reading “1. Sügavõpe (Deep leartning)”

0. Sügavõpe (Deep learning)

Märkmed fast.ai kursusest enda jaoks. Ei ole ülevaatlik ega põhjalik kõikides osades. Originaal märkmik koos inglisekeelsete põhjalike selgitavate tekstiga: 01.intro.ipynb Vajalik on NVIDIA graafikakaart (GPU – Graphics Processing Unit). Need, mis on head mängimiseks ja 3D jaoks sobivad üldiselt ka sügavõppe jaoks. Google Colabis tuleb GPU kasutamine eraldi aktiveerida. Keskkonnaks Jupyter notebook. Kas oma arvutisContinue reading “0. Sügavõpe (Deep learning)”

Malevich

This artwork is inspired by famous suprematist artist Kazimir Malevich (1879-1935) and his painting “Black Square”. But I am not so radical. I have four LED squares inside one black square. Slowly blinking their different coloured lights. I need to make another video when there is not so light and you can actually see theContinue reading “Malevich”

The artistic shape detection algorithm

Today I learned one simple shape detection algorithm. In contrast image, it tries to find how many corners on some shapes are. When there is three, then it is a triangle and so on. And draws coloured contour around it. In a controlled environment, it works mostly as supposed. When you released it to theContinue reading “The artistic shape detection algorithm”