![TensorFlow +OpenVINO 整合开发CR-A09-ML的创作技能-补值(Imputation)_第1页](http://file4.renrendoc.com/view/2c19dfd706b52da58a97472504fe2282/2c19dfd706b52da58a97472504fe22821.gif)
![TensorFlow +OpenVINO 整合开发CR-A09-ML的创作技能-补值(Imputation)_第2页](http://file4.renrendoc.com/view/2c19dfd706b52da58a97472504fe2282/2c19dfd706b52da58a97472504fe22822.gif)
![TensorFlow +OpenVINO 整合开发CR-A09-ML的创作技能-补值(Imputation)_第3页](http://file4.renrendoc.com/view/2c19dfd706b52da58a97472504fe2282/2c19dfd706b52da58a97472504fe22823.gif)
![TensorFlow +OpenVINO 整合开发CR-A09-ML的创作技能-补值(Imputation)_第4页](http://file4.renrendoc.com/view/2c19dfd706b52da58a97472504fe2282/2c19dfd706b52da58a97472504fe22824.gif)
![TensorFlow +OpenVINO 整合开发CR-A09-ML的创作技能-补值(Imputation)_第5页](http://file4.renrendoc.com/view/2c19dfd706b52da58a97472504fe2282/2c19dfd706b52da58a97472504fe22825.gif)
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
0.从补值、插值到创作1.善用AE(Autoencoder)模型2.AE的学习和推论3.AE补值的原理4.AE补值的计算过程5.范例实现-16.范例实现-27.优化模型:使用OpenVINO优化器8.测试模型:使用OpenVINO推论引擎--从补值、插值到创作从补值、插值到创作·目的:寻找一个合理的值来替换缺失的值。(..tofindaplausiblevaluetoreplaceonethatismissing.)5从补值、插值到创作·例如,5位客人买过5种水果,并给了评分,但是有买过才有评分,因而有些资料从缺(missing)了。G西瓜142AKG西瓜142AK453F草莓515JI香蕉H橘子12123456424261713127267899规划AI模型推荐>范例BCEFGH114葡萄草莓西瓜橘子香蕉25451243K32143246521651143267511778AI推薦(預測評比)91123456补值完成了,就可以进行推荐了。789443332222从补值、插值到创作算法,可以用来填补数据。例如,图像(image)放大时,最从补值、插值到创作·首先观摩一个Python程序,它绘出一张图像。cv2.imshow("lyImage",img)cv2.waitKey(0)从补值、插值到创作从补值、插值到创作有明显的锯齿状从补值、插值到创作采取人工智能的GAN模型来补值(插值)path="c:/pb/FSRCNNx3,pb"sr.readModel(path)sr.setModel("fsrcnn",3)从补值、插值到创作·例如,下述左图是鉴赏者所握有的原图,而右图则是创作者所生成的创作品。可以看出来了,透过生成对抗协同创新,所生成的作品已经几可乱真了。/uai2017/media/tutorials/shakir.从补值、插值到创作GAN模型最具创作能力掌握Al补值技能的源头。Al的创作能力。从补值、插值到创作从补值、插值到创作Cscalarnator从补值、插值到创作ZGZXhttps://saicoco.github.io/EBGAN/从补值、插值到创作GAN模型最具创作能力能和原理出发。创作仙境。·目的:寻找一个合理的值来替换缺失的值。(..tofindaplausiblevaluetoreplaceonethatismissing.)理的新数据来替代它们。理的新数据来替代它们。imputation.·Encoder在降维时,也过滤掉不显着的特征。复习AE模型的面貌。有招→无招→千变万化1国Internal无招千变万化Y心X过滤生成归纳推论AE像瑞士刀AE像瑞士刀·当谈到在一个充满机器学习问题的世界中生存时,有一种演算法可能像瑞士刀一样通用,它是一种自动编码器。(WhenitcomestosurvivalinaworldfullofmachinelearningproblemsthereisonealgorithmwhichmaybeasversatileasSwissKnife,anditisanautoencoder.)AE的学习和推论AE模拟人类:从所阅历的现象(以X表示)中学习。AE的学习和推论AE像人类:当阅历多了,就会在心中沉淀、过滤、进而归纳出其内涵的规律或法则。·这是一个水果店,记录了3位客人的满意度(即对各水果的评分值。ABCDEFGHIJKLMN01X(翰入值)2香蕉草莓H(潜藏空間)T(目標值)Y(预测值)3104Mike1075821678正規化學習還原9其为典型的3x2x3AE架构:首先进行正规化(Normalization)值传换成为介于0~1之间的数值。ABCDEFGHIJKLMN0X(翰入值)2香蕉草莓奇異果空間)T(目標值)Y(预測值)3104Mike1075821678正規化學習還原9请按下<正规化>按钮,得出:ABCDEFGHIJKLMN01X(翰入值)2香蕉草莓奇異果空間)T(目標值)Y(预測值)310104Mike005John678正規化學習還原9·现在,请按下<学习>,就开始训练这个AE模型了。·经过约1分钟,就训练完成了。123456789A正規化還原還原123456789香蕉草莓奇異果正規化0Sigmoid(Yo)=Y公式,计算出Y值(预测值):123456789學習正規化學習N按下<还原>·就将Y值乘以10,得到:ABCDEFGHIJKLMN01X(翰入值)2香蕉草莓H(潜藏空間)T(目標值)Y(预测值)31010104Mike1071071075John821821821678正規化學習還原9AE的学习和推论Encoder会过滤掉不显着的特征愈相似的资料愈相似的资料在H空间里会更群聚1801018010711234123456710211香蕉10211180121212071189學習學習包括<正規化、包括<正規化、學習和還原>三個步驟依据相似性而分群●请您先看看输入资料,依据其资料的相似度●例如,其中第0笔和第2笔,相似度较高:AE的学习和推论依据相似性而分群21801草莓212120711相似性高归为同一群包括包括<正規化、學習和還原>三個步驟AE的学习和推论2香蕉草莓212120711T(目標值)Y(预測值)相似性高归为第2群包括<正規化、學習和還原>三個步驟2345234567180121212071189還原>三個步驟归为第3群還原>三個步驟AE的学习和推论然后按下<学习>,就开始训练Al了。得出了:89·Al并不让人们失望,看看上图的H值,就是5笔输入资料,在这平面上的对应点座标。如下图:123456789包括<正規化、學習·然后按下<学习>,就开始训练Al了。得出了:123456789包括<正規化、學習香蕉香蕉2011782101121·经由Encoder过滤之后,各群的主要特征更为明显,意谓着各群的共同特征更为明显着。H(潜藏空間)-1.152XXY(预测值)Y(预测值)2001782001121·然后基于H空间里各点的向量(更具群共性),由Decoder来生成其外貌(含有群共性)。H(潜藏空間)-1.152生成AE补值的原理香蕉草莓奇異果20Mike11782101121香蕉草莓奇異果20Mike11782101121AE补值的原理Encoder会过滤掉不显着的特征在H空间里,更加聚集在一群里。20相似性高21011210AE021211AE补值的原理接续上述的范例ABCDFGHIJKLMN0X(翰入值)2香蕉草莓奇異果H(潜藏空間)T(目標值)Y(预测值)320104117107582182160101712111189學習0123含<正規化、456AE补值的原理然后按下<学习>,就开始训练Al了。得出了:1234123456789180121212071 18011021107110801212120701含<正規化、學習和還原>三步驟AE补值的原理AE补值的原理ABCDEFGHIJK1補值2喜好評比香蕉草莓奇異果H(潜藏空間)Y(预测值)34Mike5John8160789補0(不参舆)補值(推論)AE补值的原理实际操作按下<补0>,出现:ABCDEFGHIJK1補值2喜好評比香蕉草莓奇異果H(潜藏空間)Y(预测值)34Mike5801600789補0(不参舆)補值(推論)John80100800800香蕉草莓奇異果208210112100081 香蕉草莓奇異果20821011212222820&群共性XX-1.825-0.790.282820AE补值的原理然后按下<补值>,就开始训练Al了。得出了:ABCDEFGHIJK12喜好評比香蕉草莓奇異果H(潜藏空間)Y(预测值)34Mike5801820600-1.13701789補0(不参舆)補值(推論)8010082001AE补值的原理请在看一项补值范例ABCDEFGHIJK12喜好評比香蕉草莓奇異果H(潜藏空間)Y(预測值)3457656789補0(不参舆)補值(推論)AE补值的原理按下<补0>,出现:ABCDEFGHIJK12喜好評比香蕉草莓奇異果H(潜藏空間)Y(预測值)3450076560789補0(不参舆)補值(推論) 760Peter76香蕉草莓奇異果Lily2117Iohn80126180草莓2112奇異果71222282&群共性X-1.825-0.790.282560060060H向量1820&群共性XX-1.825-0.790.2828720X-1.825-0.790.282AE补值的原理·然后按下<补值>,就开始训练Al了。得出了:ABCDEFGHIJK12喜好評比香蕉草莓奇異果H(潜藏空間)Y(预測值)3450070186560720789補0(不参舆)補值(推論) 760018720接续上述的范例·建立一个AE模型,准备从5笔资料中来学习:ABCDEFGHIJKLMN0P1X(翰入值)2香蕉草莓奇異果H(潜藏空間)T(目標值)Y(预测值)320104Mike117107582182160101712111189學習AE补值的计算过程然后按下<学习>,就开始训练Al了。得出了:1234123456789180121212071 180110211071108012121207018010082001·得出W值如下图:-0.15-0.47-1.7261.6681-1.825-0.790.282值如下图:2.6841-0.499-0.15-0.47-1.7261.66811.634-0.174-2.83-1.825-0.790.282值如下图:-0.15-0.47-1.7261.66811.634-0.174-2.83-1.825-0.790.282-0.15-1.3-0.75AE补值的原理ABCDEFGHIJK12喜好評比香蕉草莓奇異果H(潜藏空間)Y(预测值)34Mike580182060001789補0(不参舆)補值(推論)AE补值的原理·请按下<补值>,就输出预测值:123456789A補值1818000HI80202AE补值的原理·请仔细看第0笔,看看它是如何计算的?ABCDEFGHIJK1補值2喜好評比香蕉草莓奇異果H(潜藏空間)Y(预測值)3 Lily5 Mike80182060001789補0(不参舆)補值(推論)Encoder的计算:John.0-1.8341.731.071.67-0.75141.731.071.67乙入以U00808IuuofI0.59-1.3-0.7580280201.63-1.31.07-0.757600187200Missing特征不参与0Missing特征不参与-1.3y2GLO-乙入以U09SH(潜藏空間)070780H(潜藏空間)-1.3-0.75范例实现-1·纽西兰科学家ValerieMulukom指出,在心理学是自动、快速、潜意识(Subconscious)。·分析推理:后者刻意、缓慢、逻辑性和有意识。·国际象棋大师、职业棒球运动员、获奖作家和作曲家就说不清自己是如何完成工作的。许多技能是不能用语言描述的。·你可能也有过这样的一种体验——当你在某一领域里经历了长期的训练后,你会发展出某种常人没有的直觉。·人们透过无意识的「直觉」做出的判断,有时比慎思熟虑更为有效。·但从生物演化的角度看来,任何事情在等到「完全确定」后再行动,反而是极其危险的——当原始人在森林中漫步时听到怪声,他应该立刻提高警惕,而不是等到野兽扑面而来时才做出反应。·当我们身处于自身具有丰富经验的领域里时,应该相信自身的直觉,而不是刻意思考。AE的经验直觉当今的ML(机器学习)可以学习<专家直觉>·例如,您打电话向自助餐老板订购,老板问您:今天想吃什么?您说:今天吃排骨。老板接着问您:要配什么菜?您回答:都可以。·中午吃饭时,打开便当,发现便当里有一个鲁蛋。想一想,这老板如何预测:1颗鲁蛋呢?·请您欣赏一下冯彦霖小姐的4格漫画(摘自她的<<AI学习绘本>>):3一個猪腳一個.AE的经验直觉当今的ML(机器学习)可以学习<专家直觉>·请看看AE(自编码器),也能学习一些历史数据中,学习一些专家直觉了。·于是AE也能具备像这位餐厅老板的直觉智慧。·未来能拥有更丰富、精湛的直觉。AE的经验直觉首先建立一个3x2x3的AE模型:AE的经验直觉首先建立一个3x2x3的AE模型:ABDE1學習(完整資料)2主食性别配菜3客人11114客人21005客人30116客人40007客人51018客人610091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋建立一个3x2x3的AE模型:ABCDEFGHIJK1學習(完整資料)2主食性别配菜H(潜藏空間)Z(预測值)3客人11114客人21005客人30116客人40007客人51018客人610091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋學習(歸納/過滤)ABCDEFGHIJKL1學習(完整資料)2主食性别配菜H(潜藏空間)Z(预測值)3客人111114客人2100005客人3011116客人40007客人510118客人61000091:排骨1:男士1:滴蛋0:難腿0:女士0:荷苞蛋 (歸納/過滤) (歸納/過滤)1.1257餐了。ABCDEF12新客人主食性别配菜3訂餐1104訂餐2訂餐30150061:排骨1:男士1:油蛋70:難腿0:女士0:荷苞蛋89新客人性别配菜訂餐110 訂餐2訂餐30100现在来实际操作,如下:餐了。ABCDEFGHIJ12新客人主食性别配菜3訂餐1104訂餐2訂餐3015006789推論(補值)推論推論请按下<推论>,AE就运用其专家直觉,将客人没有填写的(遗失)资料,填补起来:123456789D性别0EFHJC主食1D性别0EFHJC主食100GI0000訂餐2主食性别配菜客人1111客人2客人3100101客人4000客人5101客人6客人6100于得到满意的结果:00(配荷苞蛋)(配滴蛋)(配荷苞蛋)1:排骨1:男士1:漓蛋0:難腿0:女士0:荷苞蛋bo=np,array([0.5,-0bo=np,array([0.5,-0dtypenpfloatbh=np,array([0dtypenpfloatdefsigmoid(s):return1/(1+np.exp(-s))[1,0,0], dtype=np.float32)wh=np.array([[0.1,0.2]:准备初期值deftrain():globalwh,bh,wo,boN=3H=2#定义Hidden层Inputlayer=Input(shape=(N,))dh=Dense(H,activation='sigmoid',name="hresult")d=Dense(0,activation='sigmoid',name="oresult")x=zh#训练1000回合model.fit(dx,dt,1,2000,0,shuffle=False)建立设定W&B初期值设定W&B初期值continueddeftrain():globalwh,bh,wo,boN=3H=2Inputdh=Dense(H,activation='sigmoid',name="hresult")d=Dense(0,activation='sigmoid',name="oresult")x=zhmodelCompilelossmseoptimmodel.fit(dxdtshuffleFalsedeftrain():globalwh,bh,wo,boN=3H=2Inputdh=Dense(H,activation='sigmoid',name="hresult")d=Dense(0,activation='sigmoid',name="oresult")x=zh展开训练print("\n-------Training-------")print("Wh:")print("\nBh:")print(bh)print(bo)TX=np.array([0,1,-1Data设为0Data设为0正向推演正向推演输出结果print(TX)输出结果print("\nPredicted:")实际运行,输出结果:-----PredictionTestingdata:[0.1,-1.[[0.90.0.][][]]00·在刚才的范例里,AE都是从完整的历史资料中学习·现在,就来想一想:如果这些历史资料有所缺失,那么AE也可以从这些MissingData中学习其智慧吗?ABCDE2主食性别配菜3客人14客人2105客人36客人4007客人5108客人61091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋现在来实际操作,如下:·这也是一个3×2x3架构的AE模型:ABCDEFGHIJK12主食性别配菜H(潜藏空間)Z(预测值)3客人11114客人2105客人3116客人40007客人5108客人610091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋學習(歸納/過滤)(四捨五入)请按下<学习>,就训练出Encoder和ABCDEFGHIJK12主食性别配菜H(潜藏空間)Z(预测值)3客人111114客人2105客人31116客人4000007客人5108客人610091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋學習(歸納/過滤)(四捨五入)完成了! 按下<四舍五入>,就把遗失的资料填补起来了:ABCDEFGHJKL12主食性别配菜H(潜藏空間)Z(预测值)3客人111111114客人2101005客人3111116客人40000007客人5101008客人610010091:排骨1:男士1:油蛋0:難腿0:女士0:荷苞蛋學習(歸纳/過滤)(四捨五入)完成了!H(潜藏空間)112主食性别配菜3客人14客人2105客人3116客人40007客人5108客人610091:排骨1:男士1:油蛋0:難腿0:女士12主食性别12主食性别配菜3客人14客人2105客人3116客人40007客人5108客人610091:排骨1:男士1:油蛋00:難腿0:女士0:荷苞蛋10110010Choollet的访问及交流内容。未来发展之路·总结一下,我们认为未来Al模型将会融合直觉模式识别模组与形式推理模组。未来发展之路·科技产业资讯室-Kyle发表于2020年9月29日人工智慧進入第四代人工直覺成為下一步發展Source:科技政策研究舆資訊中心-上述文章里提到…·AI是有史以来最强大的科技之一,但已经历经四次的演变。实际上,自1950年代问世以来…·第二代是诊断性分析」。·第三代也是最近的这一代AI是预测性分析」,主要是基于已经发生的事情进行预测将来。·未来人工直觉标志着AI将成为真正“智慧(智一步。范例实现-2最新的发展.httpslearnopencvcomsuperre上述文章里,作者写道:·"Whenincreasingthedimensionsofanimage,theextrapixelsneedtobeinterpolatedsomehow.Basicimage提供了帮助,并提供了更好的结果。)OpenCV的Al插值功能提共多个*.pb提共多个*.pb模型档案masterFSRCNNTensorflow/models/_modelsmodelsmodelstrainedmodels名稱模型,适合于图像放大3倍时的插值。·我们可以把这个*.pb档案,交给OpenVINO的优化器,来进行模型优化的动作。如下图:优化模型:行优化动作。将模型优化,然后输出IR档案·刚才已经从TensorFlow汇出*pb档案了,其路径名稱步骤-1:进入优化器的工作区1.1首先从Wi
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 《指南艺术领域》课件
- 《ERP培训讲稿》课件
- 《理发师简谱》课件
- 《部分企业分配》课件
- 《细节图如何拍摄》课件
- 护理安全隐患及防范措施.11.25-【课件】
- 探索农学新领域
- 绿色插画风运动健身营销宣传主题
- 咨询业务季度报告模板
- 员工入股申请书
- 2025年六年级数学下册春季开学第一课(人教版) 2024-2025学年 典型例题系列(2025版)六年级数学下册(人教版) 课件
- 历史-辽宁省协作体2024-2025学年度高三上学期期末考试试题试题和答案
- 2025年银行安保年度工作计划
- 临床药师进修汇报总结
- 2025年浙江嘉兴桐乡市水务集团限公司招聘10人高频重点提升(共500题)附带答案详解
- 2024-2025学年五年级数学上册名校真题 期末考试综合检测卷
- 2025年市青年企业家商会工作计划
- 食品企业如何做好虫鼠害防控集
- 环保工程信息化施工方案
- 光伏项目施工总进度计划表(含三级)
- 口腔常见疾病诊疗常规
评论
0/150
提交评论