登入首頁
收藏 0
返回課程
teachable machine訓練好的Keras模型在Colab上執行辨識
  • AI應用
  • 請試用幾個大型語言模型
  • 加入課程後請說hello
  • 大家都會用chatGPT
  • Gemini也不難用
  • 請自行分組
  • AI影片1
  • AI影片2
  • 試用xAI Grok與產生短片
  • ex1 請試用大型語言模型問大數據或AI要產生AI圖
  • 生物視覺&機器視覺
  • 生物視覺 機器視覺
  • 機器視覺 與haarcascades偵測人臉與眼睛
  • 機器視覺ILSVRC競賽之後
  • google colab上設定Gemini與操作Python
  • Colab上試試Python
  • exam1
  • AI發展測驗解答
  • AI發展測驗解答pptx
  • GPT/Gemini/Claude/Grok四大LLM+AI 3巨頭
  • ex2 在colab上試用Gemini並比較其他LLM
  • CNN與Teachable Machine
  • Google Teachable Machine訓練Keras模型操作人、貓、狗辨識
  • 邁向AI機器學習 ---Teachable Machine
  • 邁向AI機器學習CNN與Teachable Machine
  • ai人工智慧tensorflow playground說明
  • 如何佈署訓練好的TM model
  • teachable machine訓練好的Keras模型在Colab上執行辨識
  • teachable Machine與app inventor 2製作辨識app
  • 訓練到實戰：Teachable Machine 模型多端部署與colab實作
  • teachableMachine_keras_cv2_howto_colab.ipynb
  • Ex3 Colab佈署TM model
  • 有關Teachable Machine模型進階處理
  • notebooklm AI複習影片開箱Teachable_Machine：AI如何變簡單
  • exam2
  • 為什麼AI把柴犬看成貓---CNN辨識模型測驗解答
  • js2Keras教學for TM.ipynb
  • Teachable Machine卡關？解決Keras轉檔失敗
  • 為什麼_AI_把柴犬看成貓
原始資料來自 : https://www.youtube.com/embed/8vXblX4AH8A?si=mhnTG-5rxnALHMr4
討論完整模式
討論功能僅開放給課程成員，請先加入課程
最新的回應 ...more
03-30
D11433005 : Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-24
D11333202 : Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。
03-23
D11433020 : Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調
03-23
D11333034 : Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23
D11333029 : Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。
安文
請問Teachable machine是用哪一款CNN?為什麼只要訓練幾分就能用?
03-23 1 樓
顯示先前的回應20 則當中的 3 則
d11333009
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 2 樓
D11433019
Teachable Machine 主要使用的是一款名為 MobileNet 的卷積神經網路 (CNN)。
通常訓練一個強大的影像辨識模型需要成千上萬張圖片和幾天的時間，Teachable Machine 快速成名的秘密在於 「遷移學習」(Transfer Learning)。
03-23 3 樓
D11433017
Teachable Machine 的影像識別主要使用的是 MobileNet。傳統上，訓練一個能辨識萬物的 CNN 可能需要數萬張圖片和幾天的運算時間。Teachable Machine 這麼快的原因在於使用了 遷移學習（Transfer Learning） 技術。
03-23 4 樓
D11333022
Teachable Machine 本身並沒有公開「固定使用某一款特定 CNN 架構」，但實務上它的影像模型是基於 預先訓練好的輕量級卷積神經網路（CNN），常見是像 MobileNet 這一類模型，再透過 遷移學習（Transfer Learning） 來快速完成訓練。
03-23 5 樓
D11333017
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 6 樓
D11333001
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 7 樓
D11333019
Teachable Machine 的影像識別主要使用的是 MobileNet。傳統上，訓練一個能辨識萬物的 CNN 可能需要數萬張圖片和幾天的運算時間。Teachable Machine 這麼快的原因在於使用了 遷移學習（Transfer Learning） 技術。
5 分鐘前
03-23 8 樓
D11333031
Teachable Machine 是使用 MobileNet 架構，能快速訓練是因為採用了 「遷移學習 (Transfer Learning)」 技術。
它直接套用 Google 預訓練好的模型特徵（如線條、形狀），你只需訓練最後一層的「分類標籤」，加上 MobileNet 本身專為網頁設計的輕量化特性，因此幾分鐘內就能完成。
03-23 9 樓
d11433010
Teachable Machine 是 Google 推出的無程式碼機器學習工具，其影像辨識功能主要基於 遷移學習技術，並非從零訓練一個全新的CNN
03-23 10 樓
D11213018
Teachable Machine 背後其實不是用「從零開始訓練一個CNN」，而是用一種叫做 遷移學習（Transfer Learning） 的方法，搭配已經訓練好的 CNN 模型。這是一種輕量化適合在瀏覽器跑，已經在大規模資料集（如 ImageNet）訓練過的 CNN，為什麼幾分鐘就能訓練好？關鍵原因是：你其實沒有在訓練整個CNN，CNN前半段已經學好了，你只是在訓練「最後一層分類器
03-23 11 樓
D11333014
eachable Machine 背後其實不是用「從零開始訓練一個CNN」，而是用一種叫做 遷移學習（Transfer Learning） 的方法，搭配已經訓練好的 CNN 模型。這是一種輕量化適合在瀏覽器跑，已經在大規模資料集（如 ImageNet）訓練過的 CNN，為什麼幾分鐘就能訓練好？關鍵原因是：你其實沒有在訓練整個CNN，CNN前半段已經學好了，你只是在訓練「最後一層分類器
03-23 12 樓
D11333020
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 13 樓
D11333032
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 14 樓
d11336529
Teachable Machine 主要使用的是一款名為 MobileNet 的卷積神經網路（CNN）架構。這款模型專為行動裝置和瀏覽器設計，具有體積小、運算速度快的特點。
Medium
Medium
之所以只需要訓練幾分鐘就能使用，核心原因在於它採用了 遷移學習 (Transfer Learning) 技術
03-23 15 樓
D11333012
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 16 樓
D11333029
Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。
03-23 17 樓
D11333034
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-23 18 樓
D11433020
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調
03-23 19 樓
D11333202
Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。
03-24 20 樓
D11433005
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-30 21 樓
D11133023
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。
03-30 1 樓
d11233001
Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。
03-24 1 樓
d11133024
Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調
03-23 1 樓
D11333025
Teachable Machine 並不是從零訓練一個完整CNN，而是利用像 MobileNet 這種已經訓練好的模型做特徵提取，再透過 Transfer Learning 只訓練最後的分類層；因為不用重新學習影像的基本特徵、模型又輕量且資料量小，所以幾分鐘內就能完成訓練並立即使用。
03-23 1 樓
d11333006
它使用的是 MobileNet。這是一款專為手機和瀏覽器設計的「輕量化」卷積神經網絡（CNN），運算量極小，不需要強大的顯示卡也能在網頁上流暢執行。
它採用了 遷移學習 (Transfer Learning) 技術：

不必從頭學起：Google 已經讓這個模型看過數百萬張圖片，它已經具備辨識線條、形狀與顏色的「基本常識」。

只學最後一步：當你訓練時，它只是把既有的知識拿來「分類」你的新圖片，而不是從零開始學習「什麼是圖片」。
03-23 1 樓
D11333205
Gemini 說了
Google 的 Teachable Machine 是一個非常出色的工具，它背後的核心技術是 MobileNet，這是一種專為行動裝置和嵌入式設備設計的輕量級卷積神經網絡（CNN）。

之所以能在幾分鐘、甚至幾秒鐘內就完成訓練，主要歸功於一個關鍵技術：遷移學習（Transfer Learning）。
03-23 1 樓
原始資料來自: https://eclass.uch.edu.tw/media/50902
Prev
如何佈署訓練好的TM model
Next
teachable Machine與app inventor 2製作辨識app