🌱Giriş

🔦 Evrişimli Sinir Ağları Kodları

Bu klasör giderek kodlar ve notlar ile doldurulacak

👩‍💻 Kodlar

  1. 👶 Basic CNNs

  2. 👀 CNN Visualization

  3. 👨‍👩‍👧‍👧 Human vs Horse Classifier with CNN

  4. 🐱 Dog vs Cat Classifier with CNN

  5. 🎨 Multi-Class Classification

  6. 🌐 Tensorflow.js tabanlı rakam sınıflandırıcsı

    1. Classifier.js

    2. MNISTData.js

    3. index.html

✋ RPS Dataset

  • Rock Paper Scissors, Taş/Kağıt/Makas pozlarında farklı ellerin 2.892 görüntüsünü içeren bir veri setidir.

  • Taş Kağıt Makas, çeşitli ellerden, farklı ırklardan, yaşlardan ve cinsiyetlerden, Taş / Kağıt veya Makas'a pozlanmış ve etiketlenmiş görüntüler içerir.

🔎 Bu verilerin tümü beyaz bir arka plana karşı pozlandırılmıştır. Her görüntü 24bit renkte ve 300×300 pikseldir

🐛 CNN Debugging

Bizim CNN'imiz hakkında bu şekilde bilgi alabiliriz;

model.summary()

Çıkış da aşağıdaki şekilde olacaktır:

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_18 (Conv2D)           (None, 26, 26, 64)        640       
_________________________________________________________________
max_pooling2d_18 (MaxPooling (None, 13, 13, 64)        0         
_________________________________________________________________
conv2d_19 (Conv2D)           (None, 11, 11, 64)        36928     
_________________________________________________________________
max_pooling2d_19 (MaxPooling (None, 5, 5, 64)          0         
_________________________________________________________________
flatten_9 (Flatten)          (None, 1600)              0         
_________________________________________________________________
dense_14 (Dense)             (None, 128)               204928    
_________________________________________________________________
dense_15 (Dense)             (None, 10)                1290      
=================================================================

👩‍💻 Notbook'taki kod için:

Burada 🐾

  • 🔎 Görüntülerin orijinal boyutları 28x28 piksel

  • 1️⃣ 1. katman: Filtre, kenarlardaki piksellere uygulanamaz

    • Birinci katmanın çıkışı 26x26 px boyutundadır

  • 2️⃣ 2. katman: 2x2 max pooling uyguladıktan sonra, boyutlar 2'ye bölünecek

    • Bu katmanın çıkışı 13x13 px boyutundadır

  • 3️⃣ 3. katman: Filtre, kenarlardaki piksellere uygulanamaz

    • Bu katmanın çıkışı 11x11 px boyutundadır

  • 4️⃣ 4. katman: 2x2 max pooling uyguladıktan sonra, boyutlar 2'ye bölünecek

    • Bu katmanın çıkışı 5x5 px boyutundadır

  • 5️⃣ 5. katman: Önceki katmanın çıkışı düzleşecektir (flattened olacaktır)

    • Bu katman 5x5x64=1600 birime sahiptir

  • 6️⃣ 6. katman: 128 birim içerecek şekilde ayarladık

  • 7️⃣ 7. katman: 10 kategorimiz olduğu için 10 birimden oluşmaktadır.

😵 😵

👀 Görselleştirme

Her katmanın çıktısının görselleştirilmesi burada mevcuttur 🔎

👷‍♀️ Ağ Görselleştirme Aracı

Netron ✨✨

🌞 Yazının Aslı

🧐 Referanslar

Previous👩‍💻 CNN'ler Üzerinde Kodlar ve NotlarNextDerin Öğrenmenin Popüler Stratejileri

Last updated