深度学习是机器学习的一个子集，机器学习是AI的一个子集，它是任何能够做到智能的计算机程序的总称。换句话说，所有机器学习都是AI，但并非所有AI都是机器学习，等等。
在之前的一个 post ，我们遇到了AWS深度学习，并使用AWS EC2深度学习AMI实例部署了多层感知器神经网络模型。在这篇文章中，我们可能会继续使用相同的实例或部署一个新实例。
CIFAR-10和CIFAR-100是8000万个微小图像数据集的标记子集。他们是由Alex Krizhevsky，Vinod Nair和Geoffrey Hinton收集的。
The CIFAR-10 数据集由10个类中的60,000个32x32彩色图像组成，每个类有6000个图像。有50,000个训练图像和10,000个测试图像：
数据集分为五个训练批次和一个测试批次，每个批次有10,000个图像。测试批次包含来自每个类别的1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但是一些训练批次可能包含来自一个类别的更多图像而不是另一个类别。在他们之间，培训批次包含来自每个班级的5000个图像。以下是使用图像数据集的一般方法：
在这篇文章中，我们将使用 用于图像识别的剩余网络 :
我们应该下载我们的Privat密钥并将其用于SSH到实例。
例如，为了允许，调整安全组非常重要
当我们连接时，它会向我们显示以下消息：
然后，我们将连接Jupyter Notebook：
我们应该运行此命令以获取笔记本的URL
然后，我们将使用 Python 3创建一个新的Notebook。
我们将代码粘贴到我们的笔记本中：
然后，我们将为数据定义超参数，将它们作为参数添加到解析中：
接下来，定义图像数据迭代器：
我们应该在每个时代之后保存模型。我们将使用实用函数_save_model来训练数据集。运行代码：
为了运行模型，我们将使用fit函数来调用模型。 add_fit_args函数添加fit函数所需的超参数。对于每个参数，代码中的用户都提供了帮助部分：
用于此模式的网络是使用import_module函数定义的。您将在此模式下使用残余神经网络（Resnet）。 Resnet的代码是：
拟合函数将在CIFAR-10数据集上训练您的模型。对于每个时期，显示了训练和验证准确性。此准确性也会记录到文件中。
我们可以绘制训练准确性和验证准确性与时期曲线：
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
计算统计
Geof H.Givens、Jennifer A.Hoeting / 王兆军、刘民千、邹长亮、杨建峰 / 人民邮电出版社 / 2009-09-01 / 59.00元
随着计算机的快速发展, 数理统计中许多涉及大计算量的有效方法也得到了广泛应用与迅猛发展, 可以说, 计算统计已是统计中一个很重要的研究方向. 本书既包含一些经典的统计计算方法, 如求解非线性方程组的牛顿方法、传统的随机模拟方法等, 又全面地介绍了近些年来发展起来的某些新方法, 如模拟退火算法、基因算法、EM算法、MCMC方法、Bootstrap方法等, 并通过某些实例, 对这些方法的应用进行......一起来看看 《计算统计》 这本书的介绍吧!
