В данной работе была выполнена базовая классификация изображений с помощью нейронной сети, сведение изображения к одномерному вектору и подача этих значений в качестве входных данных для первого набора узлов в сети. Одна заметка в нейронной сети состоит из взвешенной суммы входных данных, за которой следует некоторая нелинейная функция активации, которая преобразует единственный числовой вывод.Обучение состоит из подачи образца из обучающего установить через сеть, чтобы получить прогнозируемое значение.Затем мы сравниваем прогнозируемый результат с известным хорошим выходным значением обучающую выборку и используем алгоритм обратного распространения для автоматическогообновить веса в каждом из узлов. Мы продолжаем этот процесс со всеми обучающими выборками, пока сеть не будетправильное предсказание меток до приемлемого уровня.Мы можем посмотреть на точность модели, поскольку она обучается с течением времени, чтобы узнать, насколько хорошо он работает, и есть ли недостаточная или чрезмерная подгонка.Если есть подгонка, это означает, что модель плохо обобщается инам часто нужно получить больше обучающих данных, попробовать разные функции илирегулировать сложность модели.Если это переоснащение, мы можем попробовать остановить его раньше, собрать больше данных,уменьшить сложность модели илипопробуйте некоторые методы, такие как регуляризация или удаление слоев, чтобы уменьшить переобучение.В дополнение к точности, мы можем посмотреть на потерю обучения инаборы проверки по мере обучения модели Мы увидели, как плотная нейронная сеть была ограничена в своей способности предсказывать классы из живых данных, поскольку объекты должны были иметь одинаковое освещение, кадрирование, расстояние исосредоточиться в качестве тренировочного набора.В сети комбинации пикселей должны быть определенными значениями, чтобы делать свои прогнозы.В следующем модуле мы собираемся представить концепцию свертки ифильтры, чтобы модель искала такие вещи, как узоры, края и формы.Идея состоит в том, что это позволит нам создать более надежную модель дляклассификация изображений
https://studio.edgeimpulse.com/studio/128523/learning/keras/5
