deepnode处理过的图片_用101000张食物图片实现图像识别,数据的获取与处理!

前段时间,日剧 《轮到你了》 大火,作为程序员的我,看到了另外一个 程序员 —二阶堂,他的生活作息,以及饮食规律,让我感同身受,最让我感触的是他做的 AI聊天机器人,AI菜品分析机器人,AI罪犯分析。

这让作为程序员的我突然萌生了一股攀比和一种激情,我也得做一个出来(小声bb,都得尝试下):

Python资源共享群:626017123

于是,我想从相对简单的做起,《AI菜品分析机器人》:

AI菜品分析机器人:

1.建立语料库,爬取各个网站的对话和问答,这里我采用的是知乎以及调用api获取实时对话,至于代码的话我这里就不放了,涉及比较多,我这里侧重点是图像识别,大概获取了将近4万条数据,

这里给出部分结果:

11db1b6b151073276fd0b62d2af5432e.png

2.关于图像识别:

1.图像训练需要极大的数据,我这里找了很久,通过各种手段,找到了kaggle比赛曾用过的101000张图片,里面有101种食物图片,如下(部分)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
DeepNode训练是一种机器学习的方法,主要用于深度神经网络的训练过程。深度神经网络是一类由多个神经网络层组成的模型,适用于各种复杂的任务,如图像识别、语音识别和自然语言处理等。 DeepNode训练的目标是通过调整神经网络中的权重和偏置参数,使其能够准确地预测或分类输入数据。该训练过程包括两个主要步骤:前向传播和反向传播。 在前向传播中,被训练的神经网络将输入数据通过各个层进行处理,逐渐得到预测结果。每个神经元会根据其输入和激活函数,计算出相应的输出结果,并传递给下一层。 在反向传播中,通过比较预测结果与实际结果的差异,计算出误差,并将误差从网络的输出端向输入端传播。这样可以更新神经网络中每个层的权重和偏置参数,以减小误差,并增加模型的准确性。训练过程会迭代多次,直到达到预设的训练停止条件。 DeepNode训练需要大量的训练数据和计算资源。通常,为了避免过拟合或欠拟合,还需要对数据进行预处理、选择合适的模型结构和超参数,并进行交叉验证等技术。此外,还可以使用优化算法来加快训练速度,如随机梯度下降和Adam优化器等。 总结而言,DeepNode训练是一种通过前向传播和反向传播来调整神经网络权重和偏置参数的机器学习方法。它可以用于各种复杂任务的训练,但需要大量的数据和计算资源,并且需要经过多次迭代才能得到较好的结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值