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

• ​Burada 🐾​

🧐 Referanslar

• ​Binary Cross-Entropy​

• ​RMSProp Explained​

• ​RMSProp in Tensorflow​

• ​Binary Classification​

• ​TensorFlow: an ML platform for solving impactful and challenging problems​

• ​Rock Paper Scissors Dataset​