به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سبام و عرض احترام
با توجه به اینکه دیتای من کمه و تعداد عکسهه 8000تا است کدوم معماری جواب بهتری بهم میده؟
با توجه به اینکه با تنسورفلو کار میکنم و الکس نت به طور مستقیم پشتیبانی نمیشه پس نمیتونم از آون استفاده کنم؟

توسط (211 امتیاز)

2 پاسخ

+3 امتیاز

معماری های موجود (Alex Net, VGG, LeNet , ...) هر کدام در مساله ای که برایش بهینه شدند نتیجه ی مناسب را ارائه می دهند و این ایده خوبی نیست که شما برای یک مساله دیگه به دنبال پیاده سازی عینی این ها باشید چون این ها لزوما روی هر مساله ای بهترین نیستند و البته با توجه به مساله شما باید هایپر پارامتر ها را تنظیم کنید که طبیعتا اونوقت معماری هم تغییر میکند! پس سعی کنید بجای اینکه به دنبال پیاده کردن عینی یک معماری باشید معماری خودتون را مخصوص مساله تون طراحی کنید.

برای مساله ی شما چون تعداد نمونه ها کم هست باید تعداد پارامتر هاتون کم باشد وگرنه با Over Fitting مواجه میشید. استفاده از Inception در این مساله چون دیتاست کوچک هست زیاد معقولانه نیست چون تعداد پارامتر هاتون را خیلی زیاد میکند. اما Residual Network با توجه به اینکه تعداد پارامتر های خیلی کمتر و لایه های بیشتری دارد انتخاب بهتری هست و سریع تر همگرا می شود. بخاطر کم بودن نمونه هاتون بهتر هست از لایه ی Fully Connected یا استفاده نکنید یا اگر استفاده کردید تعداد نورون ها باید مناسب باشد.

از Regularization و Normalization ها مثل Batch Normalization به خوبی استفاده کنید, در این مساله به شما کمک زیادی می کنند. و در نهایت, سعی کنید دیتاستتون را augment کنید.

توسط (397 امتیاز)
+2 امتیاز

سلام
شما میتونید از معماری های مختلف استفاده کنید. الکس نت هم در تنسورفلو قابل استفاده است نکته خاصی نداره.خیلی راحت خودتون میتونید طراحی کنید. البته یک نمونه قبلا اینجا قرارداده شده که اگه بخوایید میتونید ببینید: Alexnet example in tensorflow.
اما همونطور که آقای فروزنده نژاد بخوبی توضیح دادن بخاطر کم بودن تعداد تصاویر شما ، ترجیح بر اینه که شما از معماری های با تعداد پارامتر کمتر استفاده کنید. الکس نت 60 میلیون پارامتر داره و از لحاظ بهینگی، وضعیت خوبی نداره .
VGGNet و گوگل نت هم همینطور. Resnet در صورتی که مثلا از معماری 32 یا 44 لایه رزنت استفاده کنید به مراتب بهتر هست.
البته تنها انتخاب شما Resnet نیست. شما میتونید از Squeezenet هم استفاده کنید که پرفورمنسی در حد الکس نت میده و تعداد پارامترش خیلی کمتر هست . میتونید از SimpleNet هم استفاده کنید.
اگر شما قصد دارید از معماری هایی مثل الکس نت و امثالهم استفاده کنید و 8000 تصویر دارید فاین تونینگ انتخاب خیلی خوبی میتونه برای شما باشه .

طراحی معماری جدید کار سختیه و امروزه کمتر کسی معماری رو خودش از صفر طراحی میکنه مگر اینکه دلیل خاصی داشته باشه. برای همین همیشه سعی کنید با توجه به ماهیت کارتون و شرایطی که دارید یکی از معماری هایی که هست رو انتخاب کنید و بعد نهایتا برای کار خودتون تغییرات مورد نیاز رو اعمال کنید.

توسط (4.3k امتیاز)
با سلام ...امکانش هست در مورد Squeezenet   و SimpleNet  توضیح بفرمایید.
سلام . چه توضیحی دقیقا نیاز دارید ؟
منظورم مدل معماری و تعداد لایه ها و یا مقاله ای مرتبط با این معماری ها...
سلام :
https://arxiv.org/abs/1602.07360
و این هم simplenet (ورژن اولیه )  :
https://arxiv.org/abs/1608.06037
سپاس فراوان.
...