Nolearn.Lasagne的实用程序
nolearn-utils的Python项目详细描述
#无收益效用
[![构建状态](https://travis-ci.org/felixlaumon/nolearn_utils.svg?分支(主)](HTTPS:特拉维斯),用于编写有效的实时图像增强和训练进度监控的迭代器和处理程序。将图像文件路径转换为彩色或灰色图像,并以指定的图像大小< RandomFlipBatchIteratorMixin >随机地(均匀地)将图像水平翻转,或使用“仿射变换”(缩放、旋转),从给定的转换选项——“BuffRead BATCHATIORATIONIN”中随机选择图像,以在另一个线程中自动执行转换,并将结果放入缓冲区(默认大小=5)
-'LCNBATCHATIORATIONIN ]以执行对图像的局部对比度归一化:BR/> -“MealSuffTrpToChutialCuffin”以减去。预计算的样本平均值
BR/>使用迭代器的例子如下:
BR/> TrimeRealTraceMixin=[BR/> SuffLeButChutialMaxin,
ReaDimeAdQueChutialMixin,
RandomFlipBatchIteratorMixin,
AffyTrimeButChutialMin,
BufferedBatchIteratorMixin,
RealIdActudie= MaqyTyror(“TrimeItter”,TraveIdActualSuxMixin)
TrimeIdActudioKrgs= {Br/>“BuffelySosits”:5,Br/> 'BaqChySosi':ButChy大小,
'Read IimeIZEsig ':(IMABE/SIGRIVE,IMAGEIGEIZE),
'Read IMAIGEIAASGRY ':FALSE,
'Read IVixePiFixPixPix':'/数据/Studio/',
“水平翻转”:0.5,
“垂直翻转”:0,
“仿射”:0.5,
“仿射缩放”:np.linspace(0.75,1.25,5),
“仿射平移”:np.arange(-3,4,1),
“仿射旋转”:np.arange(-45,50,5)
}
train_iterator=train iterator(**train_iterator_kwargs)
basebatchiterator也从nolearn.lasagne修改为每次迭代的训练过程提供进度条
随时间变化的参数(例如学习率)
-`save training history`用于保存培训历史(例如培训损失)
-`plottraininghistory`用于在每次使用matplotlib迭代后绘制培训损失和验证精度
###mnist
`example/mnist/train.py`应在不到50个历元的情况下生成精度约为99.5%的模型。
[kaggle]下载(https://www.kaggle.com/c/digit recognizer)。
cifar10图像可从[kaggle]下载(https://www.kaggle.com/c/cifar-10/data)。按如下方式放置下载的数据:
examples/cifar10
train.py
`example/cifat10/train.py`应在100历元时以大约85%的精度生成模型。从磁盘读取图像,并在训练时进行增强(从另一线程)
[![构建状态](https://travis-ci.org/felixlaumon/nolearn_utils.svg?分支(主)](HTTPS:特拉维斯),用于编写有效的实时图像增强和训练进度监控的迭代器和处理程序。将图像文件路径转换为彩色或灰色图像,并以指定的图像大小< RandomFlipBatchIteratorMixin >随机地(均匀地)将图像水平翻转,或使用“仿射变换”(缩放、旋转),从给定的转换选项——“BuffRead BATCHATIORATIONIN”中随机选择图像,以在另一个线程中自动执行转换,并将结果放入缓冲区(默认大小=5)
-'LCNBATCHATIORATIONIN ]以执行对图像的局部对比度归一化:BR/> -“MealSuffTrpToChutialCuffin”以减去。预计算的样本平均值
BR/>使用迭代器的例子如下:
BR/> TrimeRealTraceMixin=[BR/> SuffLeButChutialMaxin,
ReaDimeAdQueChutialMixin,
RandomFlipBatchIteratorMixin,
AffyTrimeButChutialMin,
BufferedBatchIteratorMixin,
RealIdActudie= MaqyTyror(“TrimeItter”,TraveIdActualSuxMixin)
TrimeIdActudioKrgs= {Br/>“BuffelySosits”:5,Br/> 'BaqChySosi':ButChy大小,
'Read IimeIZEsig ':(IMABE/SIGRIVE,IMAGEIGEIZE),
'Read IMAIGEIAASGRY ':FALSE,
'Read IVixePiFixPixPix':'/数据/Studio/',
“水平翻转”:0.5,
“垂直翻转”:0,
“仿射”:0.5,
“仿射缩放”:np.linspace(0.75,1.25,5),
“仿射平移”:np.arange(-3,4,1),
“仿射旋转”:np.arange(-45,50,5)
}
train_iterator=train iterator(**train_iterator_kwargs)
basebatchiterator也从nolearn.lasagne修改为每次迭代的训练过程提供进度条
随时间变化的参数(例如学习率)
-`save training history`用于保存培训历史(例如培训损失)
-`plottraininghistory`用于在每次使用matplotlib迭代后绘制培训损失和验证精度
###mnist
`example/mnist/train.py`应在不到50个历元的情况下生成精度约为99.5%的模型。
cifar10图像可从[kaggle]下载(https://www.kaggle.com/c/cifar-10/data)。按如下方式放置下载的数据:
examples/cifar10
train.py
`example/cifat10/train.py`应在100历元时以大约85%的精度生成模型。从磁盘读取图像,并在训练时进行增强(从另一线程)