内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

腾讯云_华为云储存空间不足怎么办_价格

2021-06-09 20:26 出处:欧普曼云计算 人气: 评论(0

腾讯云_华为云储存空间不足怎么办_价格

正如加州最近的野火所显示的那样,通常很难预测火势会蔓延到哪里。虽然消防队员严重依赖第三方气象数据源,如NOAA,他们往往受益于补充其他信息来源的气象数据。(事实上,附近很有可能没有气象站来积极监测野火及其周围的天气状况。)那么,如何利用现代技术来帮助消防员计划和控制火势呢?

去年6月,我们与加利福尼亚州库珀蒂诺市蒙塔维斯塔高中的两名学生阿迪蒂亚·沙阿(Aditya Shah)和桑贾娜·沙阿(Sanjana Shah)聊天,他们一直在使用机器学习来更好地预测野火的未来路径。这些高中生已经开始着手建立一个火灾估计器,基于一个在TensorFlow中训练过的模型,这个估计器可以测量森林地面上的死燃料量,在线自助建站系统,这是一个主要的野火风险。本月,我们再次与他们联系,了解他们是如何做到这一点的。

为什么选择这个挑战?

阿迪蒂亚在他住的地方附近的圣安东尼奥牧场露天保护区花了不少时间在户外,他想保护这里和离家如此近的其他自然美景区。与此同时,桑贾纳在2017年夏天因附近的野火从劳伦斯伯克利国家实验室撤离后,希望找到一种技术解决方案,在火灾发生之前就降低火灾风险。野火不仅破坏了自然栖息地,而且使人们流离失所,影响工作,并对房屋和其他财产造成广泛破坏。正如预防胜于治疗,预防潜在野火的发生比扑灭野火更有效。

出于一个共同的目标,两人联手探索可能被证明有用的可用技术。他们首先拍摄了兰乔圣安东尼奥开放空间保护区周围的灌木丛照片,对各种各样的灌木丛样本进行了分类,从干燥且容易点燃的灌木丛,到不会那么容易点燃的绿色或潮湿灌木丛。总共,人工智能可以做什么,他们在三类灌木丛中拍摄了200张照片:"gr1"(潮湿)、"gr2"(干燥的灌木和树叶)和"gr3"(没有燃料、普通的泥土/土壤或燃烧的燃料)。

阿迪蒂亚和桑贾纳然后用150张样本(训练)图像(三个班中大约各50张)和50张图像测试(评估)集训练了一个成功的模型。为了训练,深度学习lib库转向Keras,他们首选的基于Python的易用的深度学习库。在Keras中训练模型有两个好处,它允许您导出到TensorFlow estimator,您可以在各种平台和设备上运行,并且由于它在CPU或GPU上无缝运行,因此它允许轻松快速地进行原型制作。

在训练模型之前,

准备数据,阿迪蒂亚和桑贾纳对数据进行了一个预处理步骤:调整图像的大小并将其展平。他们使用"图像到"函数"向量",该函数接受来自输入位图图像的原始像素强度,并将该图像调整为固定大小,以确保输入数据集中的每个图像具有相同的"特征向量"大小。由于许多图像大小不同,两人将所有拍摄的图像调整为32x32像素。由于Keras模型将一维特征向量作为输入,因此他需要将32x32x3图像展平为3072维特征向量。此外,他还定义了imagepath来启动数据和标签列表,然后使用cv2.imread函数在imagepath上单独循环,将它们加载到文件夹存储中。接下来,云服务器服务器,这对从每个图像的名称中提取类标签(如gr1、gr2和gr3)。然后,他使用图像到特征向量函数将图像转换为特征向量,并更新数据和标签列表以匹配。

阿迪蒂亚和桑贾纳接着发现,建立模型的最简单方法是线性叠加层,公众号返利,形成一个序列模型,这简化了隐藏层的组织。他们能够使用内置在TensorFlow中的img2vec函数,以及支持向量机(SVM)层。

接下来,大数据难学吗,两人使用学习率为0.05的随机梯度下降(SGD)优化器训练模型。SGD是一种用随机梯度下降法求解最优解的迭代方法。有许多常用的梯度下降方法,包括rmsprop、adagrad、adadelta和adam。Aditya和Sanjana尝试了rmsprop,其精确度非常低(约47%)。有些方法,如adadelta和adagrad,精度稍高,但运行时间较长。因此,他们决定使用SGD,因为它提供了更好的优化,具有良好的精度和快速的运行时间。在超参数方面,两人尝试了不同次数的训练历元(50、100、200)和批次大小值(10、35、50),当历元=200和批次大小=35时,他达到了最高的准确率(94%)。

分享给小伙伴们:
本文标签: 腾讯华为储存空间不足怎么办价格

相关文章

评论

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

签名: 验证码: 点击我更换图片

评论列表