Ich bin neu in Machine Learning und vor kurzem nahm einen Courser von Andrew Ng auf Coursera. Danach wechselte ich zu Python und benutzte Pandas, Numpy, Sklearn, um ML-Algorithmen zu implementieren. Jetzt beim Surfen bin ich auf TensorFLow gestoßen und fand es ziemlich erstaunlich, und implementierte diese example, die MNIST Daten als Eingabe nimmt. Jetzt möchte ich meine eigenen Bilder lesen und sie für das Training verwenden. Ich bin verwirrt, wie ich die Bilder in MNIST Art von Daten konvertieren soll. Oder eine andere Möglichkeit, mein Netzwerk zu trainieren. Ich nahm diese tutorial, um mein Netzwerk zu erstellen.Bildverarbeitung, um Daten in Convolutional Neural Network Feed
-1
A
Antwort
0
Informationen zum MNIST-Datensatz finden Sie unter Yann LeCun's website.
Das TensorFlow-Modul tensorflow.examples.tutorials.mnist.mnist_softmax.py soll den Datensatz für die Zug-/Testschritte erfassen/vorbereiten.
Der MNIST-Datensatz enthält ein Bild einer handschriftlichen Ziffer und eine entsprechende Bezeichnung. Wenn Sie Etiketten für ein neues Bild erstellen möchten, können Sie scipy.misc.imread verwenden.
Verwandte Themen
- 1. Reduzierung der Filtergröße in Convolutional Neural Network
- 2. Zeitreihenanalyse mit Convolutional Neural Network von mxnet
- 3. Gebäude Convolutional Neural Network mit großen Bildern?
- 4. Der Filtervektor und seine Schichtfunktion in einem Convolutional Neural Network
- 5. Sind moderne CNN (convolutional neural network) als DetectNet rotierend invariant?
- 6. Wie funktioniert Backpropagation im Convolutional Neural Network (CNN)?
- 7. Warum verhindert ein Aussetzer die Konvergenz im Convolutional Neural Network?
- 8. Verfügt Convolutional Neural Network über Lokalisierungsfähigkeiten auf Bildern?
- 9. Neural Network schlechte Konvergenz
- 10. Convolution Neural Network Konfiguration
- 11. Neural Network-Implementierung in Java
- 12. Warum TensorFlow für Convolutional Neural Networks
- 13. Convolutional neuronal network mit openCV
- 14. Resume shortlisting mit Neural Network
- 15. Python Neural Network Reinforcement Learning
- 16. Neural Network Größe für Animationssystem
- 17. Formerkennung Neural Network schlechte Leistung
- 18. Simple Recurrent Neural Network Eingabeform
- 19. MSE während Neural Network Training
- 20. Neural Network Inception v3 erstellt keine Labels
- 21. ein Neural Network in Matlab/Octave Implementierung
- 22. 3D Faltungs Neural Network Eingang Form
- 23. - Ist es möglich, ein ausgebildeter Neural Network
- 24. Welche Art von Daten geeignet für Convolution Neural Network
- 25. OpenCV Combining SURF mit Neural Network
- 26. Neural Network Ordinal Classification für das Alter
- 27. Frage zu neural network matlab code
- 28. Tensorflow: Recurrent Neural Network Batch Training
- 29. Pybrain Neural Network nicht richtig trainieren
- 30. Multilayered Neural Network Zurück Propagation Erklärung
Hallo, Danke für die Info. Ich habe [this] (https://github.com/gskielian/JPG-PNG-to-MNIST-NN-Format) verwendet, um meine jpg in Bytes Array zu konvertieren. Benutze dann [this] (https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/learn/python/learn/datasets/mnist.py), um es in das MNIST-Formular zu konvertieren. Aber im ersten Link, warum es alle JPG-Bilder in PNG konvertiert ??? Ich habe es nicht verstanden, warum nicht jpg tp jpg verkleinern und stattdessen verwenden. :? Und zweitens, auf MNIST [Website] (http://yann.lecun.com/exdb/mnist/) sagt es seltsame Dinge wie: "Ziffern wurden Sizenormalized und zentriert in einem fixedsize imag" – Ayes
Und diese Erklärung auf MNIST? "Die ursprünglichen Schwarzweißbilder (Bilevel) von NIST wurden auf die Größe normalisiert, um in eine 20 × 20-Pixel-Box zu passen, während ihr Seitenverhältnis beibehalten wurde. Die resultierenden Bilder enthalten Graustufen als Ergebnis der von dem Normalisierungsalgorithmus verwendeten Anti-Aliasing-Technik. Die Bilder wurden in einem 28 × 28-Bild zentriert, indem der Massenschwerpunkt der Pixel berechnet wurde und das Bild so verschoben wurde, dass dieser Punkt in der Mitte des 28 × 28-Feldes lag.Mit den Klassifizierungsmethoden verbessert sich die Fehlerrate, wenn die Ziffern zentriert sind Bounding Box eher als Schwerpunkt. " – Ayes