نکات مهم و کاربردی در حوزه یادگیری ژرف (سری اول)

نکات ورودی اطلاعات

نکته اول : بحث نوع داده ورودی

یکی از نکات مهم این هست که داده های مورد استفاده باید در فضای ۳۲بیتی قرار گیرند. زیرا شبکه های عصبی در این فضا بهتر کار میکنند. درواقع باید فرمت دادگان شما float32 باشد که این نوع داده قابل ارائه و تبدیل شدن با استفاده از numpy در پایتون است:

 

نکته دوم : بحث اندازه داده ورودی

برای کار با شبکه های عصبی نکته مهمی که حائز اهمیت هست این است که اندازه همه نمونه های ورودی شبکه باید یکسان باشد. لذا نیاز است تا یک سری کارها روی داده های ورودی انجام پذیرد تا همه به یک اندازه باشند (سایز ورودی یکسان باشد)

 

توجه به بحث batch در آماده سازی داده

برای کار با شبکه های ژرف نیاز هست تا دادگان ورودی آماده گردند. همچنین نیاز هست که داده ها به صورت دسته های چندتایی به شبکه ورود پیدا کنند. لذا برای اینکه ورودی را آماده کنیم نیاز است تا ساختار ورودی به صورت N x H x W x C که به ترتیب از چپ به راست تعداد تصاویر, ارتقاع, عرض و کانال هر تصویر می باشد.

برای تبدیل داده ها اگر آنها را درون لیست ذخیره کرده باشید با استفاده از کد ذیل میتوانید آن ها را به صورت فوق دربیاورید:

نکته ای که در تبدیل موجود numpy در بخش فوق وجود دارد این است که برای اعمال شدن و درست کار کردن نیاز است تا همه داده های ما قبل از انجام این مرحله یک اندازه (سایز) باشند. در این صورت پاسخی که دریافت میشود یک ماتریس چهار بعدی که شامل N x H x W x C  است.

 

همچنین از کد ذیل نیز میتوانید استفاده کنید که دقیقتر و با جزئیات بیشتری است:

 

 

 


باتشکر از جناب مهندس محمد خالوئی در ارائه و تآمین محتوای این بخش.

12 پاسخ ها

دیدگاه خود را ثبت کنید

آیا می خواهید به بحث بپیوندید؟
در صورت تمایل از راهنمایی رایگان ما استفاده کنید!!

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *