
Reconhecimento De Frutas Com Rede Neural Artificial Com Tensorflow Programado Em Python
By Vitor Amadeu SouzaLength1h 40m
About this audiobook
A proposta deste trabalho é desenvolver a unidade fundamental das Redes Neurais Artificiais (RNA), conhecida como Perceptron, utilizando Python como ferramenta de programação. Para isso, apresentaremos um exemplo prático que ilustra a implementação desse conceito. Após essa experiência, realizaremos o treinamento de uma RNA com o TensorFlow, utilizando um conjunto de imagens de frutas (dataset). Em seguida, efetuaremos predições para avaliar a eficácia do treinamento. Ao longo do processo, abordaremos diversos exemplos que destacam tópicos essenciais para uma compreensão sólida da programação em Python. O objetivo é fornecer uma base teórica e prática que permita ao leitor entender não apenas a implementação do Perceptron, mas também os princípios subjacentes ao funcionamento das Redes Neurais Artificiais.
Audiobook details
GenreTechnology
Length1 hr 40 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateOct 20, 2024
LanguagePortuguese
Table of contents
1Vitor Amadeu Souza
2Cerne Tecnologia
3Capítulo I Metodologia de desenvolvimento
4Acima temos um exemplo de exponenciação, onde o valor 2
5constantes. Acompanhe um exemplo.
Show all chaptersShow less
6posteriormente.
7linguagem. O Python possui as seguintes:
8relacionais:
9valor:
10Podemos também apresentar individualmente os caracteres
11uma string.
12teste não seja verdadeiro, o segundo comando será executado, neste
13comando.
14seja, o conteúdo da variável x seja maior que 20.
15print(x)
16Função count()
17diferença, união, interseção e diferença simétrica.
18deste script para o Python, digitando:
19seguintes funções:
20>>> cos(pi)
21A seguir exemplos com números complexos.
22conforme ilustra o próximo exemplo.
23exemplo:
24O operador de formatação %s, %d e %f permitem que seja
251 x
26x.append(aux) y.append(1/(1+pow(e,-aux))) aux=aux+0.1 matplotlib.pyplot.plot(x,y) matplotlib.pyplot.xlabel('x') matplotlib.pyplot.ylabel('y') matplotlib.pyplot.show()
27propósito de saber se determinada pessoa irá ao cinema ou não. Para
28main()
29Capítulo VI
302.3 Data Augmentation
312.5 Treinamento e Teste
322.6 Validação Cruzada
332.7 Underfitting
342.8 Função de Custo
352.9 Otimização
362.10 Hiperparâmetros
372.11 Regularização
382.15 Epochs
39Lembre-se de que, quanto maior for o número de imagens, melhor
40# Modo de classificação: várias classes (categorical)
41O código apresentado cria e treina uma rede neural convolucional (CNN)
42A função fazer_predicao(img_path) permite realizar previsões em imagens
43empregadas no treinamento, o que, apesar de útil para verificar a
440s 34ms/step
45predição de 0.0898 segundos, indicando que o modelo estava seguro da sua
46tempo de predição de 0.0753 segundos, indicando um desempenho