Deep Learning: Bilderkennung mit Keras und TensorFlow

Aktuelle Version für Data2Day Workshop

https://www.data2day.de/veranstaltung-5842-deep-learning%3A-bilderkennung-mit-keras-und-tensorflow.html?id=5842

Notebook Grundlagen

Dies ist ein Jupyter Notebook
Du tippst hier deine Anweisungen, diese werden dann auf einem Server ausgefürt, auf dem alle Software installiert ist
Unser Notebook wird von https://notebooks.azure.com ausgeführt, dort ist bereits alles installiert was wir brauchen
Ein Notebook speichert auch die Ausgabe der Anweisungen, d.h. du kannst dir das Notebook ansehen, ohne es auszuführen
Das kann verwirren, wenn du einen Schritt weiter unten ausführen willst, musst du sicher gehen, vorher alle anderen Schritte ausgeführt hast
Am einfachsten geht im Menü-Punkt Kernel, Restart & Run All ausführst

Tipps

Füge deinen eigenen Notebokos Kommentare hinzu, entweder als Python Kommentare oder als Markdown wie hier

Ausführen von Zellen

Du kannst alles mit den Symbolen im Menü oben tun
Einfacher kannst du mit den Cursor-Tasten navigieren
Den Code in einer Zelle führst du mit Shift+Eingabe aus, damit gehtst du auch in die nächste Zeile

Abhängigkeiten importieren und Versionen checken



In [1]:

    
import warnings
warnings.filterwarnings('ignore')



In [2]:

    
%matplotlib inline
%pylab inline









    



Populating the interactive namespace from numpy and matplotlib



In [3]:

    
from distutils.version import StrictVersion



In [4]:

    
import sklearn
print(sklearn.__version__)

assert StrictVersion(sklearn.__version__ ) >= StrictVersion('0.18.1')



In [5]:

    
import tensorflow as tf
tf.logging.set_verbosity(tf.logging.ERROR)
print(tf.__version__)

assert StrictVersion(tf.__version__) >= StrictVersion('1.1.0')



In [10]:

    
import keras
print(keras.__version__)

assert StrictVersion(keras.__version__) >= StrictVersion('2.0.6')



In [9]:

    
import pandas as pd
print(pd.__version__)

assert StrictVersion(pd.__version__) >= StrictVersion('0.20.0')

Unsere Aufgabe heute

Solche Geschwindigkeitsbegrenzungen unterscheiden:

Wir haben ein realitätsnahes Beispiel
- https://twitter.com/art_sobolev/status/907857395757481985?s=03: I don't think it's fine to only list experiments on toy datasets, and hide failures on more complicated cases.
dafür müssen wir etwas tricksen, was Rechenpower angeht

Workshop-Teile

Einführung in ML (Talk)
Einführung in Neuronale Netzwerke
Einführung in Convolutional Neural Networks
Nutzung von Convolutional Neural Networks

Ausblick

Weiterführende Links

Grenzen von Deep Learning: http://hyperparameter.space/blog/when-not-to-use-deep-learning
Verkerhsschilder mit mxnet: https://www.oreilly.com/ideas/classifying-traffic-signs-with-mxnet-an-introduction-to-computer-vision-with-neural-networks
Low-Level Tensorflow: https://speakerdeck.com/rasbt/introduction-to-deep-learning-with-tensorflow-at-pydata-ann-arbor
Tensors: https://www.youtube.com/watch?v=f5liqUk0ZTw
Retraining von Pre-Trained Networks: https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html
History of Deep Learning: https://devblogs.nvidia.com/parallelforall/deep-learning-nutshell-history-training/
The 9 Deep Learning Papers You Need To Know About: https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html
Why does Deep Learning Work: https://www.quantamagazine.org/new-theory-cracks-open-the-black-box-of-deep-learning-20170921/
Face Detection with Keras and OpenCV: https://github.com/oarriaga/face_classification