機器學習 on G. T. Wang

Keras 以 ResNet-50 預訓練模型建立狗與貓辨識程式

Tue, 18 Sep 2018 11:20:29 +0800

這裡示範在 Keras 架構下以 ResNet-50 預訓練模型為基礎，建立可用來辨識狗與貓的 AI 程式。

在 Keras 的部落格中示範了使用 VGG16 模型建立狗與貓的辨識程式，準確率大約為 94%，而這裡則是改用 ResNet50 模型為基礎，並將輸入影像尺寸提高為 224x224，加上大量的 data augmentation，結果可讓辨識的準確率達到 99%。

Caire 完美改變圖片長寬比例工具，Seam Carving 演算法應用

Sun, 04 Mar 2018 16:30:04 +0800

這裡示範如何使用 Caire 這個圖形函式庫，在圖片拉長或縮短後，以 Seam Carving 演算法自動修正圖形中的物體，保持完美的比例。

在電腦上設計一些美工文宣品或是網站版面時，找尋適合的圖片是很重要的，有時候雖然找到的素材圖片風格非常棒，但若解析度不足、或是長寬比例不對的話，也不太能使用。

Keras 如何查詢模型參數的總數量？

Thu, 28 Dec 2017 12:01:01 +0800

這裡介紹如何在 Keras 的程式中查詢深度學習模型參數的總數量。

Keras 可用來快速搭建各種深度學習模型，但是在嘗試各種模型的過程中，我們也時常會需要了解模型的結構與參數的數量，方便調整模型。

TensorFlow Object Detection API 多 GPU 卡平行計算，加速模型訓練速度教學

Tue, 26 Dec 2017 16:38:17 +0800

本篇記錄如何使用多張 GPU 顯示卡，加速 TensorFlow Object Detection API 模型訓練的過程。

雖然 TensorFlow Object Detection API 已經有支援多張 GPU 卡平行計算的功能，但是缺乏說明文件，所以我自己也不是非常確定該怎麼用，以下只是我目前嘗試出來的方式，僅供參考。

Keras 儲存與載入訓練好的模型或參數教學

Thu, 14 Dec 2017 10:30:11 +0800

這裡介紹如何使用 Keras 儲存與載入訓練好的模型或參數，以利重複使用或部署產品。

訓練一個實際的類神經網路模型會需要非常大量的運算，所以在模型訓練完之後，最好可以把訓練好的模型參數儲存下來，這樣之後在使用時就可以省去重新訓練的時間。

TensorFlow Object Detection API 自行訓練模型教學，辨識特定物件

Mon, 11 Dec 2017 11:42:13 +0800

這裡介如何使用自己的資料，以 TensorFlow Object Detection API 訓練出適用於特定物件的模型，建立自己的物件辨識系統。

在 TensorFlow Object Detection API 自動辨識物件教學文章中，我們是直接使用既有已經訓練好的模型來辨識物件，但如果我們有一些比較特別的物件需要進行辨識，而這些物件又沒有被包含在既有模型中的話，就沒辦法直接使用既有的模型，這時候就需要先蒐集一些該物件的影像與標註資料，進一步訓練模型後，才能讓模型辨識出比較特別的物件。

LabelImg 影像標註工具使用教學，製作深度學習用的資料集

Wed, 29 Nov 2017 08:05:55 +0800

本篇介紹如何使用 LabelImg 這個免費的影像標註工具，標示照片中的物體，製作成可用來訓練深度學習引擎的輸入資料集。

在使用深度學習來實作影像的物件偵測時，都會需要有大量的已知資料集，也就是照片加上物件的所在位置以及物件的名稱，而通常若要準備這類的資料，初期都會使用人工的方式來手動標註，而 LabelImg 就是用來標註照片中物體位置與名稱的小工具。

TensorFlow 與 Keras 指定 NVIDIA GPU 顯示卡與記憶體用量教學

Fri, 17 Nov 2017 14:09:36 +0800

本篇介紹如何指定 TensorFlow 與 Keras 程式所使用的 GPU 顯示卡與記憶體用量。

在 TensorFlow 或 Keras 中使用 NVIDIA 的 GPU 做運算時，預設會把整台機器上所有的 GPU 卡都獨佔下來，而且不管實際需要多少顯示卡的記憶體，每張卡的記憶體都會被佔滿，以下介紹如何調整設定，讓多張顯示卡可以分給多個程式或多人使用。

使用 TensorFlow 內建的 Keras API 實作手寫數字辨識 CNN 程式

Mon, 30 Oct 2017 15:17:25 +0800

這裡介紹如何使用 TensorFlow 內建的 Keras API 實作手寫數字辨識 CNN 程式。

Keras 是一套高階的深度學習工具，今年 Google 將其納入 TensorFlow 的核心模組當中，發表於 TensorFlow Dev Summit 2017，也就是說未來只要安裝好 TensorFlow 之後，就可以直接使用 Keras 的 API 函數，不需要另外安裝。

CentOS Linux 安裝與使用 Keras 深度學習工具

Mon, 30 Oct 2017 10:36:04 +0800

本篇介紹如何在 CentOS Linux 中安裝與使用 Keras 這套深度學習工具。

談到深度學習（Deep Learning）的工具，大家都會想到 TensorFlow 這類的底層 framework，這類的基礎的 framework 由於保留了非常多的彈性空間，導致使用上比較不方便，如果想要快速進行依些簡單的問題測試，就可以使用 Keras 這類的高階工具。

OpenCV 教學：實作 Selective Search 物體偵測候選區域演算法

Thu, 26 Oct 2017 16:10:14 +0800

本篇介紹如何在 OpenCV 中實作 Selective Search 物體偵測候選區域演算法。

初版的 R-CNN 是將 Selective Search 所得到的候選區域，放進 CNN 中進行判斷，為了更清楚理解 Selective Search 的運作，以下我們直接使用 OpenCV 來撰寫一個 Selective Search 的實作版本，觀察該演算法實際執行的結果。

TensorFlow 的 tf.InteractiveSession 互動式 Session 使用教學

Wed, 20 Sep 2017 12:02:28 +0800

本篇是 TensorFlow 的 tf.InteractiveSession 互動式 Session 使用教學。

在 TensorFlow 中，所有的運算都要放在 session 中執行，而如果在 shell 或 IPython notebooks 中執行 TensorFlow 的程式時，我們可以改用比較方便使用的 tf.InteractiveSession。

TensorFlow 寫入與讀取 TFRecords 檔案格式教學

Fri, 15 Sep 2017 20:25:38 +0800

這裡介紹如何將各種資料儲存為 TFRecords 檔案，方便在 TensorFlow 中使用。

TensorFlow 支援許多種讀取檔案的方式（例如 TensorFlow 輸入管線），而 TensorFlow 本身也有自己標準的 TFRecords 檔案格式，可以將資料與對應的資料標示（label）儲存在一起，方便在 TensorFlow 中使用。

樹莓派 Raspberry Pi 以 Docker 安裝 TensorFlow 教學

Sat, 09 Sep 2017 10:21:04 +0800

這裡介紹如何在樹莓派上面以 Docker 安裝 TensorFlow 環境，開發機器學習的程式。

Step 1

首先參考樹莓派安裝 Dcoker 的教學，把 Docker 環境裝好。

Step 2

參考 GitHub 上的 DeftWork/rpi-tensorflow，執行適用於樹莓派的 Docker 影像：

docker run -it -p 8888:8888 elswork/rpi-tensorflow:latest

執行時 Docker 會自動下載這個 Docker 影像。

使用 TensorBoard 視覺化呈現 TensorFlow 計算流程教學

Fri, 08 Sep 2017 14:58:15 +0800

本篇是 TensorBoard 的基本使用方法教學，以視覺化呈現 TensorFlow 的計算結果。

通常實務上以 TensorFlow 建立的模型（例如深度神經網路）都相當複雜，若要對模型進行觀察、除錯與最佳化，都有一定的難度，而 TensorBoard 是一個專門用來呈現 TensorFlow 模型與資料的視覺化工具，其支援好幾種資料的呈現方式，讓程式設計者更容易掌握複雜的模型與資料。

TensorFlow 機器學習軟體工具入門教學與範例實作

Wed, 28 Jun 2017 10:21:01 +0800

本篇為 TensorFlow 機器學習軟體工具的入門教學，並實作一個簡單的線性迴歸模型範例。

TensorFlow 是一套由 Google 所發展的開放原始碼機器學習函式庫，其以流程圖的概念呈現整個資料分析流程，在流程圖中的每一個節點都代表一個運算，連接不同節點的連線則代表資料的傳遞，程式設計者可以運用各種不同的運算節點（不同的演算法），組合成適用於各種問題的分析系統，運用 CPU 或 GPU 進行運算。

史丹佛大學機器學習（Machine Learning）上課筆記（五）

Fri, 18 Oct 2013 15:17:49 +0800

本篇為史丹佛大學機器學習（Machine Learning）課程 Lecture 4 的前半段筆記，接續 Lecture 3 的內容。

Lecture 4 的線上課程錄影可以從 YouTube 網站上觀看。

史丹佛大學機器學習（Machine Learning）上課筆記（四）

Tue, 08 Oct 2013 06:53:21 +0800

本篇為史丹佛大學機器學習（Machine Learning）課程 Lecture 3 的後半段筆記，接續 Lecture 3 前半部的內容。

Lecture 3 的線上課程錄影可以從 YouTube 網站上觀看。

史丹佛大學機器學習（Machine Learning）上課筆記（三）

Thu, 18 Jul 2013 08:30:03 +0800

本篇為史丹佛大學機器學習（Machine Learning）課程 Lecture 3 的前半段筆記，接續 Lecture 2 的內容。

Lecture 3 的線上課程錄影可以從 YouTube 網站上觀看。

史丹佛大學機器學習（Machine Learning）上課筆記（一）

Sat, 13 Jul 2013 10:15:16 +0800

這是我觀看史丹佛大學機器學習（Machine Learning）課程時，自己做的筆記，分享給大家。本篇為 Lecture 2 的前半段筆記。

史丹佛大學機器學習課程 Lecture 2 的錄影可以從 YouTube 網站上觀看，而英文的 Lecture notes 可以從他的官方網站下載。

史丹佛大學機器學習（Machine Learning）上課筆記（二）

Sat, 13 Jul 2013 10:13:02 +0800

本篇為史丹佛大學機器學習（Machine Learning）課程 Lecture 2 的後半段筆記，其接續上半段的內容。

The Normal Equations

要找 \(J\) 的最小值除了 gradient descent 演算法之外，還有許多方式，這裡介紹另一個方法，使用這個方法直接使用 explict 的方式算出最小值，這樣可以不需要使用遞迴的方式。