Très interessant, merci. Par contre, si j'ai bien compris, le dataset est le plus important et donc on doit préparer les images le plus proprement possible. Comment font alors Google Image pour reconnaitre nos photos de manière si précise vu que le "bruit" est énorme et que chaque photo est différente.
En effet, dans l'exemple proposé ici, les images sont toutes pré-traitées afin qu'elles aient la même taille et soient en noir et blanc, et bien centrées sur le visage. Cela facilite l'apprentissage du réseau de neurones, indéniablement. En revanche, le même résultat peut être obtenu avec des images qui ne sont pas travaillées au préalable (de taille différente, avec du bruit, avec les visages pas forcément centrés, etc.). A partir du moment où l'on a suffisamment d'images et qu'elles sont bien labélisées, un réseau de neurones convolutif pourra faire le travail. Il faudra éventuellement rajouter quelques couches supplémentaires afin de contrer le fait que les images ne sont pas bien formatées, mais il fera le job. Un pré-traitement qui se fait de manière quasi-systématique est de faire un resize des images pour qu'elles aient les mêmes dimensions. Hormis cela, le réseau de neurones peut se débrouiller pour appliquer ses filtres successifs et bien distinguer les émotions dans les images. En espérant que cela réponde à votre question.
Bonjour merci pour l'adresse du dataset. Je connais les réseaux de neurones et je débute pour le deep learning, s'il vous plait est ce que vous connaissez des titres de livres intéressants et des adresses de site qui peuvent m'aider dans ce sens, comme votre présentation. Elle est très intéressante et exhaustive, Merci
Bonjour Amel, Quelques liens de livres intéressants : Livre de Aurélien Géron : Deeplearning avec TensorFlow Deep Learning with Python (Manning) : L'objectif est de rentrer par la pratique dans les algos de Deep Learning, puis explique au fur et à mesure chaque élément. C'est vraiment un point d'entrée intéressant sur le domaine, et est basé sur la librairie Keras. Learning TensorFlow (O'Reilly) : Focus sur le framework TensorFlow au travers de nombreux exemples. Deep Learning Book (Public) : Livre qui rentre dans la théorie derrière le Deep Learning. Quelques MOOCs en ligne Spécialisation Deep Learning de Coursera : C'est une spécialisation faite par Andrew Ng, l'un des principaux acteurs du Deep Learning. Cette fois l'approche est bottom-up : Vous allez implémenter vos premiers réseaux de neurones from scratch, pour bien comprendre toutes les composantes associées, pour ensuite utiliser plus efficacement les frameworks TensorFlow et Keras. Fast AI : Un Mooc qui prend l'approche inverse, c'est-à-dire rentrer par l'exemple dans la compréhension du Deep Learning. La dernière version des exercices est en PyTorch. Et bien sûr notre blog : blog.xebia.fr/2017/03/01/tensorflow-deep-learning-episode-1-introduction/ Avec ça vous devriez trouver votre bonheur !
Très interessant, merci.
Par contre, si j'ai bien compris, le dataset est le plus important et donc on doit préparer les images le plus proprement possible.
Comment font alors Google Image pour reconnaitre nos photos de manière si précise vu que le "bruit" est énorme et que chaque photo est différente.
En effet, dans l'exemple proposé ici, les images sont toutes pré-traitées afin qu'elles aient la même taille et soient en noir et blanc, et bien centrées sur le visage. Cela facilite l'apprentissage du réseau de neurones, indéniablement.
En revanche, le même résultat peut être obtenu avec des images qui ne sont pas travaillées au préalable (de taille différente, avec du bruit, avec les visages pas forcément centrés, etc.). A partir du moment où l'on a suffisamment d'images et qu'elles sont bien labélisées, un réseau de neurones convolutif pourra faire le travail. Il faudra éventuellement rajouter quelques couches supplémentaires afin de contrer le fait que les images ne sont pas bien formatées, mais il fera le job. Un pré-traitement qui se fait de manière quasi-systématique est de faire un resize des images pour qu'elles aient les mêmes dimensions. Hormis cela, le réseau de neurones peut se débrouiller pour appliquer ses filtres successifs et bien distinguer les émotions dans les images.
En espérant que cela réponde à votre question.
vive le deep learning !
Vicplasma58 je pouvais pas dire mieux.. Ha si, vive le python
A ne pas confondre avec deep throat !!!
Est ce que vous pouvez s'il vous plait me donner l'adresse du dataset à partir du quel vous avez utilisé les images pour détecter les sentiments
Hello ! Le dataset provient d'un challenge Kaggle de détection d'émotions : www.kaggle.com/c/facial-keypoints-detector
Bonjour
merci pour l'adresse du dataset. Je connais les réseaux de neurones et je débute pour le deep learning, s'il vous plait est ce que vous connaissez des titres de livres intéressants et des adresses de site qui peuvent m'aider dans ce sens, comme votre présentation. Elle est très intéressante et exhaustive, Merci
Bonjour Amel,
Quelques liens de livres intéressants :
Livre de Aurélien Géron : Deeplearning avec TensorFlow
Deep Learning with Python (Manning) : L'objectif est de rentrer par la pratique dans les algos de Deep Learning, puis explique au fur et à mesure chaque élément. C'est vraiment un point d'entrée intéressant sur le domaine, et est basé sur la librairie Keras.
Learning TensorFlow (O'Reilly) : Focus sur le framework TensorFlow au travers de nombreux exemples.
Deep Learning Book (Public) : Livre qui rentre dans la théorie derrière le Deep Learning.
Quelques MOOCs en ligne
Spécialisation Deep Learning de Coursera : C'est une spécialisation faite par Andrew Ng, l'un des principaux acteurs du Deep Learning. Cette fois l'approche est bottom-up : Vous allez implémenter vos premiers réseaux de neurones from scratch, pour bien comprendre toutes les composantes associées, pour ensuite utiliser plus efficacement les frameworks TensorFlow et Keras.
Fast AI : Un Mooc qui prend l'approche inverse, c'est-à-dire rentrer par l'exemple dans la compréhension du Deep Learning. La dernière version des exercices est en PyTorch.
Et bien sûr notre blog : blog.xebia.fr/2017/03/01/tensorflow-deep-learning-episode-1-introduction/
Avec ça vous devriez trouver votre bonheur !
bonne travail