Buradasın
TensorFlow 2.0 ile CNN Eğitimi ve CIFAR-10 Veri Seti Kullanımı
youtube.com/watch?v=gXQ4UzWCnr8Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitim içeriği olup, konuşmacı TensorFlow 2.0 kütüphanesi kullanarak CNN (Convolutional Neural Network) modellerinin nasıl oluşturulacağını anlatmaktadır.
- Video, CIFAR-10 veri setini kullanarak CNN modellerinin uygulamasını göstermektedir. Konuşmacı, veri setini yükleyip, farklı CNN modellerini (manuel olarak oluşturulan model, MobileNet ve ResNet gibi transfer learning modelleri) uygulamakta ve bu modellerin eğitim ve test doğruluk değerlerini karşılaştırmaktadır. Her model için epok sayısı, doğruluk oranı ve loss değerleri gösterilmekte, böylece izleyicilerin CNN modellerinin performansını değerlendirebilmesi sağlanmaktadır.
- 00:02CNN Eğitimi ve CIFAR-10 Veri Seti
- Bu eğitim videoda TensorFlow 2.0 kütüphanesi kullanılarak CIFAR-10 veri setinde CNN (Convolutional Neural Network) nasıl uygulanacağı anlatılacak.
- CIFAR-10 veri setinde uçak, otomobil, kuş, kedi, geyik, köpek, kurbağa, at, gemi ve araç (truck) olmak üzere 10 farklı sınıfa ait renkli resimler bulunuyor.
- Veri seti 50.000 eğitim (train) ve 10.000 test resmi içeriyor, her resim 32x32 piksel boyutunda ve renkli (3 kanallı) olup, veri seti train ve test olarak ayrılmış durumda.
- 01:48CNN Modelinin Oluşturulması
- İlk modelde 32 filtre boyutu, 3 kanallı giriş, padding same, aktivasyon fonksiyonu ReLU olan bir convolutional katman kullanılmış.
- Max pooling katmanında stride 2 ve pool size 2 değerleri belirlenmiş, flatten işleminden sonra 128 nöronlu bir katman ve 10 sınıf için çıkış katmanı eklenmiş.
- Model compile edilirken, 10'dan fazla sınıf olduğu için sparse cross entropy kayıp fonksiyonu, Adam optimizasyon algoritması ve accuracy metriği kullanılmış.
- 02:57Model Performansı ve Overfitting
- İlk model 5 epok ile eğitildiğinde eğitim verisinde %81 doğruluk ve %0.11 kayıp değerine ulaşırken, test verisinde %77 doğruluk elde edilmiş, bu durum overfitting迹象表明文本是土耳其语，内容是一个关于使用TensorFlow 2.0和CIFAR-10数据集进行卷积神经网络（CNN）训练的教学视频。以下是视频内容的简要总结：
- 00:02CNN Eğitimi ve CIFAR-10 Veri Seti
- 视频将介绍如何使用TensorFlow 2.0库在CIFAR-10数据集上实现CNN（卷积神经网络）。
- CIFAR-10数据集包含10类不同物体的彩色图像：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。
- 数据集包含50,000张训练图像和10,000张测试图像，每张图像是32x32像素的彩色图像（3个通道），数据集被分为训练集和测试集。
- 01:48CNN Modelinin Oluşturulması
- 第一个模型使用了32个滤波器大小、3个输入通道、same填充、ReLU激活函数的卷积层。
- 最大池化层中使用了步幅2和池大小2的参数，展平操作后添加了一个128个神经元的层和一个用于10个类别的输出层。
- 编译模型时，由于有10个以上的类别，使用了稀疏交叉熵损失函数、Adam优化算法和准确率指标。
- 02:57Model Performansı ve Overfitting
- 第一个模型在5个周期的训练中，在训练数据上达到了81%的准确率和0.11的损失值，但在测试数据上仅达到77%的准确率，这表明存在过拟合现象。
- 当将周期数增加到15时，训练准确率达到了96%，但测试准确率仍然保持在72%左右。
- 使用迁移学习方法，将MobileNet V2模型的输出层替换为10个单元和softmax激活函数，训练准确率为33%，测试准确率为34%，训练和测试的准确率相近。
- 在MobileNet中，通过使用全局最大池化并训练40个周期，训练准确率达到了76%，测试准确率为70%。
- 使用ResNet50进行迁移学习，仅更改输出层，训练10个周期后，训练和测试准确率均为46%。增加周期数可能会提高准确率。