در این مطلب، ویدئو بارگیری در داده های خود – اصول یادگیری عمیق با Python، TensorFlow و Keras p.2 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,399 –> 00:00:03,659
آنچه در حال رخ دادن است و
2
00:00:03,659 –> 00:00:07,170
به بخش 2 از یادگیری عمیق ما با
3
00:00:07,170 –> 00:00:11,190
پایتون tensorflow در آموزش Karros خوش آمدید در
4
00:00:11,190 –> 00:00:12,360
این آموزش آنچه ما در
5
00:00:12,360 –> 00:00:14,670
مورد آن صحبت خواهیم کرد این است که چگونه
6
00:00:14,670 –> 00:00:17,279
مجموعه داده های خارجی را که قرار است در یک مجموعه داده خارجی بارگذاری
7
00:00:17,279 –> 00:00:19,680
کنیم. استفاده از این مجموعه دادههای گربهها و سگها
8
00:00:19,680 –> 00:00:21,840
از مایکروسافت است که در
9
00:00:21,840 –> 00:00:24,359
ابتدا برای یک چالش کگل بود و
10
00:00:24,359 –> 00:00:26,400
ایده این است که از گربهها و سگها عکس بگیرید
11
00:00:26,400 –> 00:00:28,410
و سپس آنها را با تغذیه
12
00:00:28,410 –> 00:00:29,670
از طریق یک شبکه عصبی به آنها شناسایی کنید و از
13
00:00:29,670 –> 00:00:30,900
شبکه عصبی بگوییم که آیا این یک مشکل است یا خیر.
14
00:00:30,900 –> 00:00:33,120
گربه یا سگ پس ادامه دهید و
15
00:00:33,120 –> 00:00:35,700
مجموعه داده را دانلود کنید و بعد
16
00:00:35,700 –> 00:00:38,550
از اینکه مجموعه داده را دارید، اجازه دهید یک
17
00:00:38,550 –> 00:00:43,170
مثال در اینجا بیاورم آنچه باید ببینید مانند
18
00:00:43,170 –> 00:00:45,870
این است، بنابراین باید دو دایرکتوری
19
00:00:45,870 –> 00:00:47,309
این دو را دریافت کنید. من این دو مورد را اضافه
20
00:00:47,309 –> 00:00:48,899
کردم. اضافه کرده ام، اما چیزی که باید داشته باشید
21
00:00:48,899 –> 00:00:51,030
گربه و سگ است و سپس در اینجا
22
00:00:51,030 –> 00:00:53,250
باید تعدادی تصویر شبیه از گربه ها و
23
00:00:53,250 –> 00:00:57,210
سگ ها در این مورد دسته ای از سگ ها داشته باشید، بنابراین هر
24
00:00:57,210 –> 00:01:00,180
کدام 12500 نمونه دارد، بنابراین
25
00:01:00,180 –> 00:01:02,489
باید نمونه های زیادی برای آموزش یک سگ داشته باشید.
26
00:01:02,489 –> 00:01:06,900
مدل آنچه است گربه و سگ چیست، پس
27
00:01:06,900 –> 00:01:08,220
ادامه دهید و آنها را دانلود کنید، آنها را استخراج کنید،
28
00:01:08,220 –> 00:01:09,570
سپس ما به اینجا میآییم و
29
00:01:09,570 –> 00:01:11,939
دست به کار میشویم، بنابراین
30
00:01:11,939 –> 00:01:14,340
اول از همه numpy را وارد میکنیم و P را
31
00:01:14,340 –> 00:01:19,110
وارد میکنیم Metz plot Lib Dots Pie نمودار
32
00:01:19,110 –> 00:01:21,600
به عنوان p LT ما قصد داریم سیستم عامل را وارد کنیم،
33
00:01:21,600 –> 00:01:24,240
cv را به و از آن وارد می کنیم و در
34
00:01:24,240 –> 00:01:27,119
واقع فقط CB است – اگر numpy
35
00:01:27,119 –> 00:01:28,560
pip ندارید نصب numpy اگر ندارید
36
00:01:28,560 –> 00:01:30,360
apple lib pip نصب کنید matplotlib اما اگر
37
00:01:30,360 –> 00:01:33,240
شما CV ندارید، باید
38
00:01:33,240 –> 00:01:40,229
OpenCV را به صورت پیپ نصب کنید – python بسیار خوب،
39
00:01:40,229 –> 00:01:41,790
زمانی که آنها را داشته باشیم، اساساً
40
00:01:41,790 –> 00:01:43,500
از matplotlib استفاده میکنم فقط برای نشان دادن
41
00:01:43,500 –> 00:01:46,020
تصویری که از سیستم عامل برای تکرار در
42
00:01:46,020 –> 00:01:49,170
فهرستها و پیوستن به مسیرهای CB استفاده میکنیم. – نشان داده می شود
43
00:01:49,170 –> 00:01:50,880
یا متاسفم که برخی از عملیات های تصویر را انجام می دهم
44
00:01:50,880 –> 00:01:54,030
و سپس برای انجام عملیات آرایه های مختلف numpy می کنم،
45
00:01:54,030 –> 00:02:00,540
بنابراین اولین کاری که می
46
00:02:00,540 –> 00:02:04,020
خواهیم انجام دهیم این است که یک دایرکتوری داده را مشخص کنیم که داده
47
00:02:04,020 –> 00:02:07,770
های من در فایل های X من در زیر
48
00:02:07,770 –> 00:02:11,760
مجموعه داده ها قرار دارند و سپس تصاویر را پیپ می کنیم. ما
49
00:02:11,760 –> 00:02:13,590
50
00:02:13,590 –> 00:02:15,269
دستههایی خواهیم داشت که دو دستهای که در اینجا باید با آنها سروکار داشته
51
00:02:15,269 –> 00:02:22,110
باشیم، سگ و گربه هستند
52
00:02:22,110 –> 00:02:24,120
که نمیتوانم آنها را متفاوت بگذارید و در
53
00:02:24,120 –> 00:02:25,410
واقع ما احتمالاً باید دوبار نقل قول
54
00:02:25,410 –> 00:02:27,989
کنیم، زیرا ما موارد دیگر را دوبار نقلکردیم، بنابراین
55
00:02:27,989 –> 00:02:29,069
اکنون آنچه میخواهیم انجام دهیم این است که
56
00:02:29,069 –> 00:02:32,099
همه نمونههای سگ
57
00:02:32,099 –> 00:02:34,140
و گربه را تکرار کنیم، بنابراین راهی که میخواهیم این کار را انجام
58
00:02:34,140 –> 00:02:38,760
دهیم برای دسته است. در دسته بندی ها
59
00:02:38,760 –> 00:02:40,019
می خواهیم چه کاری را به خوبی انجام دهیم، می خواهیم بگوییم
60
00:02:40,019 –> 00:02:43,650
مسیر سیستم عامل است نه مسیری که به خاک تاریخ پیوسته است
61
00:02:43,650 –> 00:02:46,739
و هر چه آن دسته باشد
62
00:02:46,739 –> 00:02:49,890
اساساً این ما را وارد
63
00:02:49,890 –> 00:02:53,130
مسیر اصلی خود به گربه ها یا سگ ها می کند.
64
00:02:53,130 –> 00:02:56,459
اکنون می خواهیم بگوییم برای تصویر در فهرست
65
00:02:56,459 –> 00:02:59,879
نقطهای سیستمعامل آن مسیر است، بنابراین،
66
00:02:59,879 –> 00:03:01,079
اساساً فقط دستهای از این تصاویر خواهد بود،
67
00:03:01,079 –> 00:03:05,010
چه زمانی که فقط با شماره نامگذاری شده
68
00:03:05,010 –> 00:03:06,599
باشند، ما فقط میتوانیم
69
00:03:06,599 –> 00:03:10,739
همه آن تصاویر را تکرار کنیم تا تصاویر
70
00:03:10,739 –> 00:03:12,120
را بلافاصله تبدیل کنیم. به آرایهای
71
00:03:12,120 –> 00:03:16,049
با CV تا نقطه M خوانده میشود و ما میتوانیم
72
00:03:16,049 –> 00:03:18,600
کسانی را که سیستمعامل دارند بخوانیم که مسیر
73
00:03:18,600 –> 00:03:20,549
به آن میپیوندند و اکنون مسیر و تصویر را میپیوندیم و
74
00:03:20,549 –> 00:03:23,819
این مسیر کامل به آن تصویر است، سپس
75
00:03:23,819 –> 00:03:24,660
کاری که میخواهیم انجام دهیم این است که میخواهیم
76
00:03:24,660 –> 00:03:27,170
آن را به مقیاس خاکستری تبدیل کنید، بنابراین ما در
77
00:03:27,170 –> 00:03:31,049
آن تصویر می خوانیم و سپس ما بگویید C V به C V به
78
00:03:31,049 –> 00:03:34,349
M زیر خط خاکستری را بخوانید، بنابراین ما
79
00:03:34,349 –> 00:03:35,849
آن را به مقیاس خاکستری تبدیل می کنیم،
80
00:03:35,849 –> 00:03:39,090
زیرا می دانید داده های RGB سه برابر
81
00:03:39,090 –> 00:03:41,190
اندازه داده های مقیاس خاکستری است و من فکر نمی
82
00:03:41,190 –> 00:03:44,130
کنم که رنگ در
83
00:03:44,130 –> 00:03:46,639
این کار خاص ضروری باشد.
84
00:03:46,639 –> 00:03:49,290
وظایف شناسایی زیادی وجود دارد، اما حداقل
85
00:03:49,290 –> 00:03:50,430
در مورد تفاوت بین
86
00:03:50,430 –> 00:03:52,829
گربه و سگ را می دانید بله آنها رنگ های زیادی
87
00:03:52,829 –> 00:03:55,139
دارند اما آیا رنگ
88
00:03:55,139 –> 00:03:56,730
عامل متمایز کننده ای است که ما با گربه ها
89
00:03:56,730 –> 00:03:58,500
و سگ ها انجام می دهیم. اگر مثل این بود
90
00:03:58,500 –> 00:04:01,380
که سگ را در مقابل خزنده یا
91
00:04:01,380 –> 00:04:02,880
چیزی شبیه به آن می شناسید، بله احتمالاً
92
00:04:02,880 –> 00:04:07,650
می خواهید رنگ را درست وارد کنید، بنابراین
93
00:04:07,650 –> 00:04:09,959
وقتی این کار را انجام دادیم، کار بعدی که
94
00:04:09,959 –> 00:04:12,660
می خواهیم انجام دهیم این است که حداقل
95
00:04:12,660 –> 00:04:14,849
می توانیم نمودار کنیم این را ببینید و به آنچه که ما با آن سر و کار داریم نگاه کنید
96
00:04:14,849 –> 00:04:16,680
تا مطمئن شوید که همان چیزی است که
97
00:04:16,680 –> 00:04:21,389
ما انتظار داریم.
98
00:04:21,389 –> 00:04:24,060
99
00:04:24,060 –> 00:04:27,090
100
00:04:27,090 –> 00:04:29,250
101
00:04:29,250 –> 00:04:32,760
نوت بوک مشتری با CV – مطمئنم
102
00:04:32,760 –> 00:04:33,990
راهی وجود دارد که اگر کسی بداند ادامه دهد
103
00:04:33,990 –> 00:04:36,150
و آن را در زیر بگذارید سپس من فقط در
104
00:04:36,150 –> 00:04:37,830
یک استراحت اینجا یک استراحت می کنم فقط
105
00:04:37,830 –> 00:04:39,390
برای اینکه بتوانیم سریعاً به این عکس نگاه کنیم
106
00:04:39,390 –> 00:04:41,580
تا همانطور که می بینید این
107
00:04:41,580 –> 00:04:42,540
تصویر یک سگ در مقیاس خاکستری است و
108
00:04:42,540 –> 00:04:44,490
جای تعجب نیست که این همان چیزی است که ما
109
00:04:44,490 –> 00:04:45,900
110
00:04:45,900 –> 00:04:48,240
نیز انتظار داشتیم. دادهها این چیزی است که دادههای ما
111
00:04:48,240 –> 00:04:51,480
شبیه آرایه تصویر هستند، خوب فقط یک
112
00:04:51,480 –> 00:04:53,610
سری اعداد، حالا اگر
113
00:04:53,610 –> 00:04:55,980
آن را به مقیاس خاکستری تبدیل نکنیم، بنابراین در این مورد میتوانید
114
00:04:55,980 –> 00:04:58,230
ببینید که این فقط یک دسته از اعداد است که
115
00:04:58,230 –> 00:05:01,320
مقادیر پیکسل را در اینجا در این آرایه دو بعدی میدانید.
116
00:05:01,320 –> 00:05:03,720
اگر ما مقیاس خاکستری را انجام نمیدادیم
117
00:05:03,720 –> 00:05:08,310
و اگر همین الان این سگ آبی را انجام میدادیم،
118
00:05:08,310 –> 00:05:10,790
دیگر 2 بعدی نیست، زیرا اینها RGB واقعی هستند
119
00:05:10,790 –> 00:05:14,010
در واقع احتمالاً BG هستند، من
120
00:05:14,010 –> 00:05:15,960
معتقدم که cv2 چگونه چیزها را میخواند و به
121
00:05:15,960 –> 00:05:19,380
همین دلیل است که سگ یک آبی در
122
00:05:19,380 –> 00:05:21,810
عکس به هر حال ما می خواهیم
123
00:05:21,810 –> 00:05:23,130
مقیاس خاکستری را حفظ کنیم و فقط یادداشتی بردارید که
124
00:05:23,130 –> 00:05:25,290
می دانید چگونه
125
00:05:25,290 –> 00:05:27,900
داده های واقعی شما را تغییر می دهد، به عنوان مثال
126
00:05:27,900 –> 00:05:30,450
می توانیم بگوییم شکل نقطه پرتوی تصویر در
127
00:05:30,450 –> 00:05:33,540
آنجا و آن 398 توسط است. 500
128
00:05:33,540 –> 00:05:35,490
که ما را به مشکل بعدی که
129
00:05:35,490 –> 00:05:37,410
داریم می رساند حتی میتوانید بگویید که
130
00:05:37,410 –> 00:05:38,730
برخی از این سگها
131
00:05:38,730 –> 00:05:40,500
شبیه عکسهایی با شکلهای مختلف هستند، برخی
132
00:05:40,500 –> 00:05:42,300
منظرهها، برخی پرترهها، برخی
133
00:05:42,300 –> 00:05:44,100
مربعی هستند و ما واقعاً نیاز داریم که همه چیز
134
00:05:44,100 –> 00:05:46,860
عادی شود.
135
00:05:46,860 –> 00:05:49,710
136
00:05:49,710 –> 00:05:52,010
طبقه بندی کنیم
137
00:05:52,010 –> 00:05:54,330
اما برای ساده نگه داشتن چیزها تا
138
00:05:54,330 –> 00:05:56,790
حد امکان، ما می خواهیم
139
00:05:56,790 –> 00:05:59,940
همه چیز را به شکل یکسان دربیاوریم، بنابراین این کاری است
140
00:05:59,940 –> 00:06:01,050
که بعداً انجام می دهیم، اکنون باید
141
00:06:01,050 –> 00:06:03,780
در مورد یک شکل تصمیم بگیریم، برای مثال اگر
142
00:06:03,780 –> 00:06:05,760
بگوییم تصویر چه می شود اندازه 50، بنابراین شاید
143
00:06:05,760 –> 00:06:09,390
سعی کنیم هر تصویر 50 در 50 باشد
144
00:06:09,390 –> 00:06:11,850
، بنابراین روشی که ما این کار را انجام می دهیم این است که
145
00:06:11,850 –> 00:06:15,870
آرایه جدید برابر با CB به اندازه مجدد است و اندازه
146
00:06:15,870 –> 00:06:18,990
آرایه تصویر را تغییر می دهیم و سپس اندازه تصویر را انجام می دهیم
147
00:06:18,990 –> 00:06:22,740
و این جدید ماست. آرایه
148
00:06:22,740 –> 00:06:25,110
و ما واقعاً باید به آن نگاه کنیم، بنابراین
149
00:06:25,110 –> 00:06:29,310
آرایه جدید را نشان دهیم و سپس نقشه
150
00:06:29,310 –> 00:06:32,070
نقشه رنگی را ببینیم، خدای من، آیا می توانیم این را خاکستری دریافت کنیم
151
00:06:32,070 –> 00:06:37,380
و سپس PLT نشان داده نشود، بنابراین من
152
00:06:37,380 –> 00:06:39,930
هنوز می توانم بگویم که یک سگ است، اما
153
00:06:39,930 –> 00:06:41,970
در نهایت نمی توانیم بنویسیم اگر من 10
154
00:06:41,970 –> 00:06:43,380
را انجام دهیم آن را 10 در 10
155
00:06:43,380 –> 00:06:44,789
می کنم، نمی توانم بگو که این یک سگ است، فکر نمیکنم
156
00:06:44,789 –> 00:06:48,479
کسی بتوانیم با 20 برویم، هنوز
157
00:06:48,479 –> 00:06:51,270
احتمالاً نه، اگرچه ممکن است
158
00:06:51,270 –> 00:06:54,330
در 30 سالگی بتوانید از پس آن بربیایید، هنوز خیلی
159
00:06:54,330 –> 00:06:55,770
سخت است، اما اکنون
160
00:06:55,770 –> 00:06:57,120
میتوانید مانند زرههای زرهی مانند زرههایی مانند زره را ببینید.
161
00:06:57,120 –> 00:06:58,919
این مچ دست است که ناحیه بعد از
162
00:06:58,919 –> 00:07:01,590
مچ دست سگ را
163
00:07:01,590 –> 00:07:01,800
میشناسید، حدس
164
00:07:01,800 –> 00:07:04,560
میزنم نمیدانم به هر حال معمولاً در سگها طولانیتر است، بنابراین
165
00:07:04,560 –> 00:07:06,509
میتوانم در این مرحله این طبقهبندی را انجام
166
00:07:06,509 –> 00:07:08,370
دهم، اما میدانید که در ۵۰ سالگی من خیلی راحت هستم،
167
00:07:08,370 –> 00:07:10,080
اما شما این کار را انجام میدهید. باید
168
00:07:10,080 –> 00:07:12,090
مراقب باشید زیرا این سگ مقدار
169
00:07:12,090 –> 00:07:14,009
زیادی از تصویر را به خود اختصاص می دهد در حالی که برخی از اینها
170
00:07:14,009 –> 00:07:16,289
ممکن است دوست نداشته باشند برای مثال من مطمئن هستم که
171
00:07:16,289 –> 00:07:20,370
می توانم یکی را پیدا کنم که در نهایت این سگ ها
172
00:07:20,370 –> 00:07:21,660
بسیار کوچک هستند و او کمی با نیمکت ترکیب می شود.
173
00:07:21,660 –> 00:07:25,080
174
00:07:25,080 –> 00:07:27,060
در واقع خیلی خوب کار شده است، اما گاهی اوقات
175
00:07:27,060 –> 00:07:29,070
می دانید که این قسمت کوچکتر
176
00:07:29,070 –> 00:07:32,039
از تصویر نخواهد بود و
177
00:07:32,039 –> 00:07:33,539
زمانی که آن را به یک تصویر کوچک
178
00:07:33,539 –> 00:07:37,979
به این سگ کامو نگاه کنیم، کمی سخت تر خواهد بود،
179
00:07:37,979 –> 00:07:39,690
بنابراین این را در نظر داشته باشید. من حدس
180
00:07:39,690 –> 00:07:41,099
میزنم که به 50 بچسبم، خواهیم دید که چطور پیش
181
00:07:41,099 –> 00:07:46,050
میرود اندازه ای را که
182
00:07:46,050 –> 00:07:47,550
می خواهید انتخاب کنید، بیایید ادامه دهیم و
183
00:07:47,550 –> 00:07:49,380
مجموعه داده های آموزشی خود را ایجاد کنیم، بنابراین من
184
00:07:49,380 –> 00:07:51,720
می گویم داده های آموزشی برابر با یک لیست خالی است
185
00:07:51,720 –> 00:07:53,340
و سپس این
186
00:07:53,340 –> 00:07:54,750
تابع را که می خواهم ایجاد
187
00:07:54,750 –> 00:07:59,090
داده های آموزشی را صدا می زنم شروع کنم و من می خواهم به خودم
188
00:07:59,090 –> 00:08:01,199
بدهم، فقط می خواهم بگویم پاس من فقط می
189
00:08:01,199 –> 00:08:03,210
خواهم برای خودم فضایی در اینجا پیدا
190
00:08:03,210 –> 00:08:05,849
191
00:08:05,849 –> 00:08:06,990
192
00:08:06,990 –> 00:08:09,210
کنم.
193
00:08:09,210 –> 00:08:11,610
فقط باید این کپی را بردارید و سپس به
194
00:08:11,610 –> 00:08:17,280
اینجا بیایید آن را در برگه این جا بچسبانید و
195
00:08:17,280 –> 00:08:19,590
اکنون کار بعدی که باید انجام دهیم این
196
00:08:19,590 –> 00:08:20,849
است که ما به نوعی مانند مجموعه داده Emnes خود هستیم،
197
00:08:20,849 –> 00:08:23,130
درست است که
198
00:08:23,130 –> 00:08:25,320
ما باید اساساً نقشه برداری کنیم. ویژگیها به صورت
199
00:08:25,320 –> 00:08:28,320
اعداد هستند، اما برچسب یا
200
00:08:28,320 –> 00:08:30,539
طبقهبندی ما هنوز یک عدد نیست درست
201
00:08:30,539 –> 00:08:32,909
202
00:08:32,909 –> 00:08:36,360
203
00:08:36,360 –> 00:08:38,309
204
00:08:38,309 –> 00:08:41,520
است. سگ 1 یک گربه است و راهی که می توانیم
205
00:08:41,520 –> 00:08:42,809
انجام دهیم این است که فقط می توانیم مقدار شاخص
206
00:08:42,809 –> 00:08:45,660
سگ و گربه را بدست آوریم و این
207
00:08:45,660 –> 00:08:47,250
مقدار شاخص را در آن فهرست به طبقهبندی دلخواه تبدیل
208
00:08:47,250 –> 00:08:48,959
کنید، فرقی نمیکند
209
00:08:48,959 –> 00:08:51,180
کدام یک است که در آن 0 است،
210
00:08:51,180 –> 00:08:53,339
فقط باید به یک عدد تبدیل کنید، بنابراین کاری
211
00:08:53,339 –> 00:08:53,490
که
212
00:08:53,490 –> 00:08:55,170
ما انجام میدهیم این است که من فقط
213
00:08:55,170 –> 00:08:58,950
کلاس را میگویم. تعداد زیر خط
214
00:08:58,950 –> 00:09:03,690
برابر است با دستهها، شاخص نقطهای با
215
00:09:03,690 –> 00:09:06,690
حروف کوچک هر چه آن دسته
216
00:09:06,690 –> 00:09:10,350
برای یک سگ بسیار صفر باشد 1 برای یک گربه، اکنون میخواهیم
217
00:09:10,350 –> 00:09:12,180
روی تصاویر تکرار کنیم،
218
00:09:12,180 –> 00:09:13,500
من نیازی به نشان دادن آنها نداریم که نیازی نداریم برای
219
00:09:13,500 –> 00:09:16,529
شکستن بیشتر و تنها کاری که اکنون میخواهم انجام
220
00:09:16,529 –> 00:09:19,170
دهم تغییر اندازه با این آرایه جدید است، بنابراین ما به
221
00:09:19,170 –> 00:09:21,080
اینجا میآییم،
222
00:09:21,080 –> 00:09:27,180
عملیات تغییر اندازه را انجام میدهیم و فکر میکنم
223
00:09:27,180 –> 00:09:29,490
تقریباً همین است، بنابراین اکنون فقط میخواهیم
224
00:09:29,490 –> 00:09:32,010
این را به لیست دادههای آموزشی خود اضافه کنیم. در بالای صفحه
225
00:09:32,010 –> 00:09:34,890
، دادههای زیرخط را آموزش
226
00:09:34,890 –> 00:09:38,690
میدهیم و ما