Notebook, utilizando rede ResNet50, resultado do instruction 1 - pesquisa de modelos.
Grupo: Auxílio na tomada de decisão no processo de compra de frutas e vegetais.
Para alcançar o nosso objetivo, precisamos obter o conhecimento necessário para a classificação com redes neurais. Como primeiro passo na nossa jornada, decidimos criar um tutorial de como usar 2 redes neurais famosas:
- Resnet 50
- Inception v3
Este repositório contém o conteúdo e o notebook da rede ResNet50 , assim como um guia para auxiliar aqueles que estão dando os seus primeiros passos.
A ResNet (Residual Network) é uma arquitetura de rede neural profunda utilizada para classificação de imagens. Foi introduzida em 2015 pela Microsoft Research Asia e se tornou uma das redes mais populares para tarefas de visão computacional. A ResNet resolveu um problema conhecido como desvanecimento de gradientes, que ocorre quando as informações transmitidas pelo gradiente durante o treinamento da rede se tornam cada vez menores à medida que se avança pelas camadas. Isso acontece porque a profundidade da rede aumenta, o que dificulta a retropropagação do erro e o ajuste dos pesos da rede. A arquitetura da ResNet é composta por blocos residuais, que podem ser empilhados para formar uma rede de várias camadas. Nesta aplicação, a variante utilizada é formada por 50 camadas de convolução, sendo portanto conhecida como ResNet50 podendo ser utilizada para problemas complexos em visão computacional, como reconhecimento de objetos e classificação de imagens.
- CS231n Convolutional Neural Networks for Visual Recognition - Texto sobre Aprendizado por Transferência
- Transfer Learning - Machine Learning's Next Frontier - Texto sobre Aprendizado por Transferência
- Deep Residual Learning for Image Recognition - Artigo da ResNet
- Transfer Learning with ResNet50 - Aprendizado por transferencia com ResNet50
- Keras Doc - Documentação TensorFlow Keras
- Gridsearch Keras - Pesquisa Hiperparâmetros - Keras
ResNet50_+_3_output_classification
ResNet50_+_18_output_classification
Se após essas leituras ainda tiver alguma dúvida ou curiosidade sobre o tutorial, não hesite em entrar em contato no seguinte email: lucasdejesus@discente.ufg.br