¿Cómo configurar la capa de aplanamiento de caffe para el aprendizaje profundo?

La capa plana se usa para aplanar parámetros, generalmente entre la capa convolucional y la capa de enlace completo. Se puede ver en la red VG16, pero en redes posteriores, GlobalAveragePooling2D se usa para reemplazar la capa plana. De la comparación de las redes VG16 e inceptionV3. Se puede ver. De la comparación de parámetros se puede ver que esta mejora reduce en gran medida el uso de parámetros y evita el sobreajuste.

Importar secuencia desde keras.models

Importar aplanamiento desde keras.layers.core

Desde keras.layers.convolution importar convolution2D

Importar modelo_dibujo desde keras.utils.vis_utils

model=order()

model.add(Convolution2D(64, 3, 3, border_mode="same", input_shape=(3, 32, 32)).

# ahora: model.output_shape==(Ninguno, 64, 32, 32)

model.add(Flatten())

# ahora: model.output_shape==(None, 65536)

plot_model(model, to_file='Flatten.png', show_shapes=True)

Datos extendidos

Aplicación de aplicación

Visión por computadora

El Laboratorio Multimedia de la Universidad China de Hong Kong es el primer equipo chino que aplica el aprendizaje profundo a la investigación de visión por computadora en el mundo. En la competencia de inteligencia artificial de clase mundial LFW (Competencia de reconocimiento facial a gran escala), el laboratorio derrotó a FaceBook y ganó el campeonato, lo que hizo que la capacidad de reconocimiento de la inteligencia artificial en este campo supere por primera vez a la de las personas reales.

Reconocimiento de voz

A través de la cooperación con Hinton, los investigadores de Microsoft introdujeron RBM y DBN en el entrenamiento de modelos acústicos para el reconocimiento de voz por primera vez y lograron un gran éxito en sistemas de reconocimiento de voz de gran vocabulario, reduciendo la tasa de error. del reconocimiento de voz en un 30%. Actualmente no existe un algoritmo rápido paralelo eficaz para DNN. Muchas instituciones de investigación están utilizando corpus de datos a gran escala para mejorar la eficiencia del entrenamiento de los modelos acústicos DNN a través de plataformas GPU. Empresas como IBM y Google ya lo han hecho. El reconocimiento de voz DNN se ha estudiado rápidamente y la velocidad es muy rápida.

En China, empresas o unidades de investigación como Alibaba, iFlytek, Baidu y el. El Instituto de Automatización de la Academia de Ciencias de China también está llevando a cabo investigaciones sobre aprendizaje profundo en reconocimiento de voz.

Enciclopedia Baidu: aprendizaje profundo

.