Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
D_ACMER
apachecn-dl-zh
提交
49384cb3
A
apachecn-dl-zh
项目概览
D_ACMER
/
apachecn-dl-zh
与 Fork 源项目一致
Fork自
OpenDocCN / apachecn-dl-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
49384cb3
编写于
1月 06, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-01-06 16:14:35
上级
363bb674
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
2 addition
and
2 deletion
+2
-2
new/master-cv-tf-2x/12.md
new/master-cv-tf-2x/12.md
+2
-2
未找到文件。
new/master-cv-tf-2x/12.md
浏览文件 @
49384cb3
...
...
@@ -584,7 +584,7 @@ s3:// sample1/DEMO/s3_output_location/
![](
img/08e3cdba-f27b-48a0-b2bc-a781720d41c9.png
)
请注意,随着模型看到的图像越来越多,上一个屏幕快照中显示的 Precision 值可能会降低。 因此,在 20 张图像上开发的模型比在 100 张图像上开发的模型具有更高的精度。 这是因为在 20 张图像上开发的模型具有较少的训练错误,但具有较高的测试错误(在
`test`
图像中,无法识别汉堡-仅识别薯条)。 mAP 数是 11 个等距召回级别(0
、0.1,…1)上的平均平均精度。 mAP 值不受图像添加的影响。 Performance
参数显示
`burger`
和
`fries`
的值。
请注意,随着模型看到的图像越来越多,上一个屏幕快照中显示的 Precision 值可能会降低。 因此,在 20 张图像上开发的模型比在 100 张图像上开发的模型具有更高的精度。 这是因为在 20 张图像上开发的模型具有较少的训练错误,但具有较高的测试错误(在
`test`
图像中,无法识别汉堡-仅识别薯条)。 mAP 数是 11 个等距召回级别(0
,0.1,...,1)上的平均平均精度。 mAP 值不受图像添加的影响。
`Performance`
参数显示
`burger`
和
`fries`
的值。
8.
现在,让我们带回旧的
`validation`
图像并查看结果。 为此,请单击顶部的“预测”,然后插入
`validation`
图像。 它将在类周围绘制一个边界框,如下所示:
...
...
@@ -713,7 +713,7 @@ AWS Rekognition 还可以使用`boto`分析本地 PC 上的图像,如[这里](
训练期间引入了 AWS SageMaker。 通过将图像转换为矢量,它也可以用于执行视觉搜索。 有关详细练习,请参阅
[
这个页面
](
https://github.com/awslabs/visual-search/blob/master/notebooks/visual-search-feature-generation.ipynb
)
中描述的 Python 笔记本。
请注意,执行此操作的最佳方法是从 AWS SageMaker 笔记本实例运行此操作。 将此文件(在上一链接中列出)上载到 Jupyter
Notebook
,然后选择 MXNet Python 软件包。 引用您的 S3 存储桶并执行单元。 分析代码并将其与我们在“第 6 章”,“使用迁移学习的视觉搜索”中学到的内容进行比较。 您将看到基本原理是相同的,只是分析是在云平台上完成的,因此它将具有在“第 6 章”,“使用迁移学习的视觉搜索”中不必处理的多个身份验证级别。
请注意,执行此操作的最佳方法是从 AWS SageMaker 笔记本实例运行此操作。 将此文件(在上一链接中列出)上载到 Jupyter
笔记本
,然后选择 MXNet Python 软件包。 引用您的 S3 存储桶并执行单元。 分析代码并将其与我们在“第 6 章”,“使用迁移学习的视觉搜索”中学到的内容进行比较。 您将看到基本原理是相同的,只是分析是在云平台上完成的,因此它将具有在“第 6 章”,“使用迁移学习的视觉搜索”中不必处理的多个身份验证级别。
# 使用 Azure 进行视觉搜索
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录