💫
Derin Öğrenme
  • 💫Derin Öğrenme Notları
  • 🚀English Version
  • 🦋Projeye Katkıda Bulunma
  • 💼Kullanışlı Araçlar
  • 💎Yapay Sinir Ağları Kavramları
    • 🌱Giriş
    • 🔎Esas Problem
    • 👷‍♀️ Yapay Sinir Ağlarının Uygulanması Üzerine Notlar
    • 📚Yapay Sinir Ağlarının Kavramları
    • 💥Yapay Sinir Ağlarında Aktivasyon Fonksiyonları
    • 🎈NN Uygulama İp Uçları
    • 👩‍🔧 NN Düzenlileştirme (Regularization)
    • ✨Optimizasyon Algoritmaları
    • 🎨Softmax Regression
    • 🏃‍♀️ Tensorflow'a Hızlı Giriş
    • 👩‍💻 Yapay Sinir Ağlarıyla ilgili Pyhton Kod Parçaları
  • 🙋‍♀️ Yapay Sinir Ağları ile Derin Öğrenme'nin Hello World'u
    • 🌱Giriş
    • 🌐Tarayıcıda CNNler
  • 🚪Bilgisayar Görüşüne Giriş
    • 🌱Giriş
  • 🚩Evrişimli Sinir Ağları Kavramları
    • 🌱Giriş
    • 📌Evrişimli Sinir Ağları ile İlgili Genel Kavramlar
    • 🌟Evrişimli Sinir Ağları Gelişmiş Kavramları
    • 👀Evrişimli Sinir Ağlarının Görselleştirilmesi
    • 👵Klasik Evrişimli Sinir Ağları
    • ✨CNN'leri Kurmak İçin Diğer Yaklaşımlar
    • 🕸️CNN'lerin Popüler Uygulamaları
  • 👩‍💻 CNN'ler Üzerinde Kodlar ve Notlar
    • 🌱Giriş
  • 💄Derin Öğrenmenin Popüler Stratejileri
    • 🌱Giriş
    • 🚙Öğrenme Aktarması (Transfer Learning)
    • 📚Derin Öğrenmede Diğer Stratejiler
  • 🤡Resim Artırma (Image Augmentation)
    • 🌱Giriş
  • 🤸‍♀️ Uygulamalı Makine Öğrenmesi Üzerine Notlar
    • 🌱Giriş
    • 👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine Notlar
    • 👩‍🏫 Uygulama Talimatları
  • 🕵️‍♀️ Obje Algılama Temelleri
    • 🌱Giriş
    • ⭕Bölge Tabanlı (Region-Based) CNN'ler
    • 🤳SSD ve YOLO
    • 🤖TensorFlow Object Detection API
  • ➰Derin Öğrenmede Dizi Modelleri
    • 🌱Giriş
    • 📚Dizi Modellerinin Genel Kavramları
    • 🔄Tekrarlayan Sinir Ağları (RNN)
    • 🌌RNN'deki Vanishing Gradients
    • 🌚Kelime Gösterimi
    • 💬NLP Hakkında Karışık Bilgiler
  • 📕Proje Sözlüğü
  • 📚Faydalı PDF'ler
  • 👀Hızlı Görsel Bilgiler
Powered by GitBook
On this page
  • 👩‍💻 Kodlar
  • ✋ RPS Dataset
  • 🐛 CNN Debugging
  • 👀 Görselleştirme
  • 👷‍♀️ Ağ Görselleştirme Aracı
  • 🌞 Yazının Aslı
  • 🧐 Referanslar

Was this helpful?

Export as PDF
  1. 👩‍💻 CNN'ler Üzerinde Kodlar ve Notlar

Giriş

🔦 Evrişimli Sinir Ağları Kodları

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

Last updated 4 years ago

Was this helpful?

Bu klasör giderek kodlar ve notlar ile doldurulacak

👩‍💻 Kodlar

  1. 🌐 Tensorflow.js tabanlı rakam sınıflandırıcsı

✋ 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:

  • 🔎 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

👷‍♀️ Ağ Görselleştirme Aracı

🌞 Yazının Aslı

🧐 Referanslar

🐾

Her katmanın çıktısının görselleştirilmesi mevcuttur 🔎

🌱
👶 Basic CNNs
👀 CNN Visualization
👨‍👩‍👧‍👧 Human vs Horse Classifier with CNN
🐱 Dog vs Cat Classifier with CNN
🎨 Multi-Class Classification
Classifier.js
MNISTData.js
index.html
Burada
burada
Netron ✨✨
Burada 🐾
Binary Cross-Entropy
RMSProp Explained
RMSProp in Tensorflow
Binary Classification
TensorFlow: an ML platform for solving impactful and challenging problems
Rock Paper Scissors Dataset