Собака порода фото: Датско-шведская фермерская собака: описание породы, характера

Автор: | 13.02.1977

Содержание

Датско-шведская фермерская собака: описание породы, характера

Датско-шведская фермерская собака — скандинавская порода, которая на протяжении веков служила универсальной рабочей собакой на фермах и была семейным компаньоном. По внешнему виду они похожи на фокстерьеров и джек-рассел-терьеров, но Датский клуб собаководства (DKK) и SKK согласны с тем, что порода не должна относиться к категории терьеров, но должна принадлежать к группе пинчеров.

История породы

История датско-шведской фермерской собаки (датско-шведский гардхунд, англ. Danish Swedish Farmdog, дат. Dansk-svensk gårdhund, швед. Dansk-svensk gårdshund) — восходит к 1700-м годам; когда они чаще всего встречались в Дании и Швеции, где они возникли, но они также присутствовали в Великобритании, Франции и Германии.

Когда небольшие семейные фермы были нормой, датско-шведская фермерская собака служила сторожевой, пастухом, охотником на лис, крысоловом, компаньоном. Несмотря на свои размеры, они не боялись пасти крупных животных. Они удерживали лис подальше от курятников и помогали защитить сарай и дом от грызунов. Закончив свою работу, они наслаждались игрой с детьми и были частью человеческой семьи. Эти яркие собаки также использовались в цирковых представлениях из-за их способности быстро разучивать трюки. В 1920-х годах они использовались в крупнейшем стационарном и передвижном цирке Дании, называемом Цирк Бенневейс.

Но когда небольшие семейные фермы начали исчезать, поскольку сельскохозяйственная промышленность была объединена в крупные промышленные предприятия, многие фермерские семьи переехали в города, чтобы работать на заводах, что снизило спрос на датско-шведских фермерских собак. Утрата своей традиционной роли привела к тому, что численность породы сократилась почти до полного исчезновения. 

Некоторые полагают, что если бы не датский телесериал конца 1970-х и начала 1980-х годов под названием “Матадор” с участием датско-шведской фермерской собаки, эта порода, возможно, была бы навсегда потеряна. Популярное телешоу помогло сохранить любовь к породе и, возможно, способствовало решению DKK и SKK объединить усилия в 1985 году, чтобы спасти породу. Клубы объявили о поиске любых оставшихся собак хорошего качества и были удивлены, когда сотни владельцев фермерских собак откликнулись. Два клуба разработали первый стандарт для фермерской собаки и внедрили систематические программы разведения. Благодаря своим усилиям они не только сохранили жизнь датско-шведским фермерским собакам, но и позволили им получить официальное признание в 1987 году. В то время им было дано официальное название породы датско-шведская фермерская собака (иногда ее называют датско-шведский гардхунд).

Датско-шведские фермерские собаки признаны Международной кинологической федерацией (FCI). Первый официальный стандарт FCI был принят 2 марта 2009 года. 13 января 2011 года датско-шведская фермерская собака была принята в качестве служебной породы в AKC. Поскольку в США так мало датско-шведских фермерских собак, важно, чтобы у них были родословные, признанные во всем мире. AKC — единственный американский клуб с мировым признанием. 

19 февраля 2011 года датско-шведская фермерская собака впервые выиграла чемпионат Объединённого клуба собаководства (UKC). UKC признал датско-шведскую фермерскую собаку в 2008 году. 

Большинство датско-шведских фермерских собак сегодня являются собаками-компаньонами. Однако, несмотря на то, что эта порода пользуется вниманием и любовью людей, их потребность тратить физическую энергию и использовать свои навыки остается сильной. Они быстры, уверены в себе и способны высоко прыгать, и они все еще сохраняют как охотничий инстинкт, так и острое обоняние. 

Поэтому эти собаки любят участвовать и преуспевать в различных собачьих видах спорта и соревнованиях. Они также служат терапевтическими собаками, а также участвуют в поисково—спасательных операциях.

Описание породы

Датско-шведская фермерская собака это маленькая, компактная порода со слегка прямоугольной формой тела. Отношение высоты (измеренной от земли до холки) к длине составляет приблизительно 9:10. Их глубина груди по сравнению с их ростом составляет примерно 1:2. Поскольку они являются рабочей породой, стандарты для веса не предусмотрены. Рост самцов должен составлять 34—37 см; самок 32—35 см. Эти цифры являются приблизительными и могут варьироваться на ± 2 сантиметра.

У них гладкая, жесткая шерсть с короткими волосами, которые лежат ровно и плотно прилегают к телу. Белый — доминирующий цвет шерсти, с пятнами в вариациях черного, коричневого, коричневого и палевого. Эти пятна могут быть различных размеров и цветовых сочетаний. Их шерсть может иметь коричневые отметины или вкрапления других цветов.

Их головы треугольной формы немного малы по сравнению с их телами; череп широкий и слегка закругленный с хорошо выраженным стопом. Морда немного короче черепа; со стороны переносица прямая. Хорошо развитая морда постепенно сужается к носу. Цвет носа всегда похож на цвет пятен на шерсти собаки. Щеки ярко выражены; челюсти сильные и сомкнуты в ножницеобразном прикусе над ровными, хорошо развитыми резцами. 

У гардхундов глаза среднего размера, несколько округлые, с живым и добрым выражением. У собак с черными пятнами глаза темного цвета; у собак с желтыми или печеночно-коричневыми пятнами глаза могут быть немного светлее. Уши среднего размера.

Характер датско-шведской фермерской собаки

Датско-шведские фермерские собаки умны, ласковы и игривы. Несмотря на то, что они внешне похожи на джек-рассел-терьера, их темперамент отличается. Эта порода энергична и общительна, как Джек Рассел, но более мягка и спокойна и не склонна к агрессии, часто встречающейся у пород терьеров. Гардхунды внешне сходны с терьерами, но характер и поведение гардхунда никогда не будет таким активным, как у терьера.

Датско-шведская фермерская собака — отличное домашнее животное для активной семьи. Они известны тем, что игривы на открытом воздухе, но спокойны в помещении, однако эта порода все еще далека от пассивности в домашнем хозяйстве. Они хотят и нуждаются во взаимодействии со своими семьями и наслаждаются тем, что находятся в центре внимания. Это забавные, веселые домашние собаки, которые любят детей и, как правило, всегда готовы поиграть с ними.

Они требуют много физических упражнений, а также времени на широких открытых пространствах на открытом воздухе. Им требуется как минимум один час в день активности со своей семьей или владельцем, а также ежедневная прогулка или пробежка. Поскольку они выведены как универсальные рабочие собаки, им нужна работа или задачи; участие в спортивных мероприятиях или соревнованиях один на один со своими владельцами удовлетворит эту потребность.

Они умны и быстро обучаются трюкам; на самом деле, известны своей долгой памятью, но обучение им все еще требует последовательности и терпения со стороны владельцев. Это связано с тем, что порода взрослеет медленнее, чем другие аналогичные породы собак (требуется три года, чтобы достичь полного физического и эмоционального развития). Поэтому датско-шведские фермерские собаки имеют длительные стадии упрямства, жевания вещей, озорного поведения и даже возможных проблем с исправлением нужды в доме. 

Наряду с терпением, предоставление игрушек, игра с вашей собакой и поддержание последовательности в обучении помогут контролировать это поведение. В дополнение к последовательности, обучение должно начинаться, когда собака еще маленький щенок, и должно быть позитивным и подкрепляться как лакомствами, так и словесной похвалой. Неправильное обучение этой породы собак приведет к тому, что собака будет трудно управляема.

Датско-шведская фермерская собака дружелюбна к другим собакам, но не к кошкам, птицам или другим мелким домашним животным. Когда они не находятся в закрытой зоне, их следует держать на поводке, чтобы, если они заметят то, что они считают добычей (например, небольшое движущееся животное), они не бросились в погоню, не обращая внимания на хозяина или проезжающие автомобили.

Из гардхундов получаются хорошие сторожевые псы, потому что они настороже и лают только тогда, когда это необходимо. Поскольку они вокальные собаки, они могут жить в квартире, не беспокоя соседей, но им нужно будет уделять достаточное количество физических упражнений. Они больше подходят для жизни в доме с большим закрытым двором. Они также наслаждаются свободой, живя в сельской местности.

Уход

Датско-шведская фермерская собака не требует особого ухода. Их короткие волосы отталкивают грязь, а их шерсть не имеют запаха, поэтому их следует купать только при необходимости. Всегда используйте мягкое мыло, чтобы предотвратить повреждение их защитного покрытия. Обычно протирание влажным полотенцем должно поддерживать их в чистоте. 

Линяют круглый год, только с одним сильным сезоном линьки. В течение этого времени ежедневно используйте резиновую щетку, чтобы удалить омертвевшие волосы и уменьшить количество шерстинок, которые оседают на полу и мебели. Держите их когти подстриженными; чистите зубы вашей собаки два-три раза в неделю.

Здоровье

Датско-шведские фермерские собаки живут примерно от десяти до пятнадцати лет. Эти собаки исключительно выносливы и здоровы, не страдают от каких-либо известных генетических проблем, специфичных для породы.

Денди-динмонт-терьер: фото, описание породы, характера

Денди-динмонт-терьер (англ. Dandie Dinmont Terrier) — одна из самых старых и уникальных пород терьеров. Это единственная порода собак в мире, названная в честь вымышленного персонажа, шотландского охотника Денди Динмонта, из романа сэра Вальтера Скотта 1814 года “Гай Мэннеринг». Считается редкой породой, регулярно занимая нижние позиции в регистрационных списках как в Соединенных Штатах, так и в Соединенном Королевстве.

История породы

Ранняя история породы, как и большинства других терьеров, остается загадкой, так как эти собаки существовали задолго до того, как были созданы письменные записи о разведении собак, и они долгое время были собаками простого крестьянина. Очевидно, что подавляющее большинство пород терьеров родилось на Британских островах, и что собаки этого типа, существовали в Англии, Шотландии и Уэльсе в течение многих веков.

Слово терьер происходит от французского слова «terre’ и латинского «terrarius»; оба означают землю или землю. Считается, что название происходит от первоначальной цели этих собак, которая состояла в том, чтобы преследовать лис, барсуков, кроликов и других грызунов в норах и либо выгонять их оттуда, либо сражаться с ними внутри норы.

Согласно Оксфордскому словарю английского языка, слово терьер появилось в письменном виде по крайней мере с 1440 года, но, возможно, вошло в английский язык с нормандским завоеванием в 1066 году. Это означает, что терьеры существовали на Британских островах самое позднее с 1440 года, вероятно, с 1066 года, а возможно, и задолго до этого.

Самые ранние археологические свидетельства о терьерах относятся к области вокруг руин Стены Адриана, построенной в 122 году нашей эры императором Адрианом, чтобы отделить Британию, контролируемую римлянами, от Шотландии, контролируемой кельтами и пиктами.

Стена Адриана находится очень близко к современной Пограничной области — холмистой и в основном сельской местности, охватывающей реку Твид, расположенную в восточной части Южного нагорья.

Находки римской эпохи включают в себя две очень разные разновидности собак: средних размеров собаку, которая, вероятно, очень напоминала современного уиппета, и коротконогий, длиннотелый тип, который, вероятно, напоминал современную таксу или денди-динмонт терьера. Это означает, что еще в Римской империи бритты создали систему, в которой крупная охотничья порода преследовала добычу, такую как лиса, в свою нору, а коротконогая порода затем выгоняла эту добычу из норы и направляла к охотникам.

Без использования генетических тестов невозможно однозначно связать этих древних собак с современными терьерами, однако связь возможна и даже вероятна.

Хотя невозможно определить, когда впервые появились терьеры, почти наверняка они возникли на Британских островах, как и почти все самые ранние упоминания об этих собаках. Как терьеры были впервые созданы навсегда останется загадкой, но наиболее вероятно, что они были выборочно выведены на протяжении веков из местных британских собак.

В течение многих сотен лет терьеры служили рабочими собаками простого человека. Эти цепкие маленькие собаки были неутомимыми охотниками и убийцами животных, таких как лисы, барсуки, крысы и мыши. Без этих собак фермеры понесли бы гораздо большие потери от грызунов, болезней и вредителей.

Их небольшие размеры не только позволяли им преследовать дичь в норах и норах, но и значительно удешевляли содержание. В результате даже самые бедные фермеры могли позволить себе держать одного-двух терьеров.

В основном живущие в сельскохозяйственных районах или вокруг них, терьеры разводились течение многих сотен лет. Фермеры разводили только тех собак, которые оказались наиболее полезными для их нужд, и мало заботились о внешнем виде. 

Терьеры стали гораздо более важными и социально значимыми в результате исторических изменений в обществе. Первоначально большая часть британских сельскохозяйственных земель принадлежала целой деревне для свободного использования ее жителями, земля, удерживаемая таким образом, была известна как общинная.

К концу 16 века злоупотребление общинными землями и жадность дворянства привели к тому, что обширные территории были огорожены и находились в частной собственности. Это было разрушительно для многих бедных фермеров, которые затем были вынуждены переехать в города или в леса, которые были почти все вырублены. Поля, на которых когда-то выращивали урожай, теперь были открытыми пастбищами для овец. Это привело к увеличению популяции лис, барсуков и кроликов, а также к росту охоты на лис у знати.

По мере роста престижа охоты на лис это привело к созданию специализированных пород, более подходящих для этой цели. Это началось с английского фоксхаунда в конце 16-го века, а к концу 18-го века английские заводчики фоксхаундов начали вести племенные книги, что привело к образованию ранних кинологических клубов. Точно так же заводчики терьеров в это время также начали более тщательно разводить своих собак в соответствии с типом, а также назначением.

В Шотландии и Северной Англии одними из самых ранних известных отдельных терьеров, которые были созданы в то время, были скай-терьер из Хайленда, фелл-терьер и скотч-терьер (иная порода, чем шотландский терьер).

Первое письменное упоминание об особой породе терьеров, которая была выведена для экстерьера взято из вышеупомянутого романа “Гай Мэннеринг” сэра Вальтера Скотта; который был, по сути, романом о путешествиях на охоту в Северной Англии и Шотландии.

Одним из героев романа был шотландский фермер по имени Денди Динмонт. Денди Динмонт, живший в Приграничье, по слухам, очень гордился своими шестью тщательно выведенными терьерами, которых в зависимости от цвета шерсти называли либо перцем, либо горчицей.

Это был очень популярный в то время роман, и тип терьера, принадлежащий Денди Динмонту, который до этого момента не имел четкого названия, стал известен как денди-динмонт терьер. Хотя сочинения сэра Вальтера Скотта были вымышленными, многое из того, что он писал, основывалось на фактах. Денди Динмонт (персонаж) был основан на реальной жизни Джеймса Дэвидсона, который владел несколькими терьерами. Хотя собаки, принадлежавшие Денди Динмонту, были вымышленными, некоторые из первых организованных программ разведения терьеров на самом деле проводились в районе, описанном в романе.

Если оставить роман в стороне, то первоначальная порода, использованная для создания денди-динмонт-терьера, в значительной степени спорная; однако большинство сходится во мнении, что порода произошла от собак, принадлежащих Вилли “Пайперу” Аллану, жителю Нортумберленда, очень близкого к шотландской границе и самому северному церемониальному графству на северо-Востоке Англии.

Аллан, известный спортсмен, который разводил терьеров для охоты на выдр, владел собаками, которые были настолько эффективны в этой задаче, что местная знать, брала их взаймы. Когда Аллан скончался в 1779 году, его сын Джеймс взял на себя заботу об их воспитании. Большая часть споров о происхождении терьера исходит из того, что никто не знает, какую породу или породы терьеров использовали Алланы для создания своих собак.

Большинство теорий считают, что собаки произошли от скрещивания скай-терьеров и шотландских терьеров, и действительно эти собаки очень похожи на длиннотелого скай-терьера.

Другие считают, что денди-динмонт происходит от бордер-терьера, который сам является потомком фелл-терьера. Некоторые считают, что это смесь многих различных пород терьеров и случайных терьеров. Вполне возможно, что первоначальные собаки были какой-то смесью терьеров, и что позже заводчики добавили дополнительные линии. Однако многочисленные внешние сходства между скай-терьером и денди-динмонт-терьером, безусловно, предполагают тесную связь между этими двумя породами.

Эти собаки оставались по существу неизвестными за пределами Пограничных земель до публикации “Гая Мэннеринга». Джеймс Аллан не только продолжал разводить собак своего отца, но и раздавал их другим любителям терьеров, которые помогали дальнейшему развитию породы. Другим ранним шотландским поклонником этой породы был Джеймс Дэвидсон. Дэвидсон был не только основой для персонажа Денди Динмонта, он также был первым человеком, задокументировавшим разведение денди-динмонт-терьера, и считается отцом современной породы.

Программа разведения Дэвидсона в основном использовала собак семейства Аллан, но также добавляла собак, принадлежащих семействам Андерсон и Фаас, а возможно, и другим. Большинство ранних денди динмонтов были в основном охотничьими терьерами и были искусны в преследовании лис, выдр, барсуков, ласк и другой дичи. Известный кинологический авторитет 19 века и автор Джон Генри Уолш отдает должное созданию пород вышеупомянутому Джеймсу Дэвидсону в своей книге 1879 года “Собаки Великобритании, Америки и других стран”.

Популяризация Гая Мэннеринга сделала денди-динмонт-терьера весьма желанным, и заводчики на протяжении всего начала и середины 1800-х годов стремились улучшить породу. Они сделали это, скрещивая собак с другими терьерами. Сам денди динмонт-терьер был использован для развития бедлингтон-терьера.

Денди-динмонт-терьер достиг пика своей популярности и численности примерно в то время, когда в 1873 году был основан британский Клуб собаководства. Уникальный внешний вид, а также его связь с работами Скотта сделали эту породу популярной выставочной собакой в то время. 16 ноября 1875 года в шотландских пограничных землях был основан клуб денди динмонт-терьеров (DDTC).

В то время это был только третий клуб для собак в мире. Первым президентом клуба была леди Мелгунд, а первым вице-президентом Э. Брэдшоу Смит. Другими членами-основателями были известные заводчики Хью Далзил и Уильям Стахен, а также Уильям Уордлоу Рид, который отвечал за написание первого стандарта породы. Первое клубное шоу было поставлено в 1877 году и продолжается по сей день.

Первые денди Динмонт-терьеры, привезенные в Соединенные Штаты, прибыли из Шотландии в 1886 году для показа на выставках собак. Американский клуб собаководства (AKC) впервые зарегистрировал эту породу в группе терьеров позже в том же году.

Многое пошло на пользу этой породе, она утвердилась по всему Соединенному Королевству и в Соединенных Штатах, у нее были клубы породы в обоих местах, но, несмотря на ее распространение, к концу 1800-х годов денди-динмонт терьер быстро терял популярность среди других пород.

Вторая мировая война была очень разрушительной для породы. Многие питомники были закрыты из-за войны, и разведение было существенно сокращено. Хотя терьер не вымер, как некоторые породы, его численность сильно сократилась. Хотя невозможно получить точные цифры, маловероятно, что денди-динмонт когда-либо достигал численности популяции, равной той, которой обладал до Второй мировой войны.

Хотя терьер, вероятно, все еще способен быть охотничьей собакой, очень немногие представители этой породы сейчас используются для этой цели. Почти каждый терьер, живущий сегодня, является либо компаньоном, либо выставочной собакой.

В отличие от подобных пород, таких как керн-терьер, вест-хайленд-уайт-терьер и шотландский терьер, денди-динмонт никогда не был популярным в мире. Эта порода остается популярной как выставочная собака, что, вероятно, является наиболее распространенным использованием породы. Фактически, большую часть популяции составляют выставочные собаки. 

Денди-динмонт терьер также остается очень редким во всем мире. В 2006 году Клуб собаководства признал денди-динмонт терьера одной из самых редких великобританских пород собак, и поместил эту породу в список уязвимых местных пород, что означает, что Клуб считает терьера находящимся под некоторым риском исчезновения.

Согласно статистике регистрации АКС в 2010 году, Денди Динмонт-терьер занимал 164-е место по общему количеству регистраций, опережая только Харриера, американского фоксхаунда и английского фоксхаунда. В течение последнего десятилетия в каждой стране за один год было зарегистрировано не более 200 денди-динмонт-терьеров, и обе страны пережили несколько лет, когда было зарегистрировано менее 100 денди-динмонт-терьеров.

Описание

Из тех немногих людей, которые знают о денди-динмонт-терьере, почти все узнают ее по уникальному внешнему виду. Эти собаки очень низкие, с очень короткими ногами и длинным телом. Кроме того, их традиционная выставочная стрижка довольно уникальна, с большим пучком волос на голове и клубками меха на концах ушей.

Эти собаки маленькие, но не такие крошечные, как некоторые из той-пород. И самцы, и самки должны быть от 20 до 28 см в холке, в здоровом, рабочем состоянии обычно весят от 8 до 11 кг, хотя некоторые будут весить немного больше или немного меньше.

Голова типичная для британского терьера, большая, но не сильно непропорциональная размеру тела. Морда короткая, но не слишком короткая и очень сильная. У этих собак большие, круглые, карие глаза, которые излучают ум. Уши низко посажены на голове и опускаются вниз, довольно тонкие и сужаются к относительно острому концу.

Уникальная шерсть является одной из определяющих характеристик породы. У этих собак большая часть тела покрыта двойной шерстью, с мягким подшерстком и жестким верхним пальто. Это позволило породе работать в суровых условиях. В отличие от большинства терьеров, у денди-динмонт-терьера нет жесткой шерсти. Шерстинки на голове должны быть очень мягкими. Кончики ушей тоже покрыты такой шерстью, которая простираются примерно на пять сантиметров. Этот характерный мех часто не появляется до тех пор, пока этим собакам не исполнится два года.

Окраска денди динмонт-терьера почти так же важен, как и шерсть этой породы. Все терьеры должны иметь значительно более темный мех на верхней части тела, чем на нижней части тела. Кроме того, верхняя половина хвоста значительно темнее нижней.

Только два цвета допустимы у современного денди динмонт-терьера это перцовый и горчичный. Перцовый колеблется от темного, голубовато-черного до светло-серебристо-серого, причем предпочтительны промежуточные оттенки. Горчичный колеблется от красновато-коричневой до бледно-палевой окраски. Собакам разрешается иметь немного белого на груди, но не на ногах.

Характер

Хотя изначально терьер был выведен как решительный охотник, он также хранит долгую историю разведения в основном в качестве компаньона и выставочной собаки. В результате они проявляют характерные черты как охотничьих собак, так и собак-компаньонов.

Денди динмонт-терьер известен своей преданностью и нежностью к хозяину. Однако, как и многие другие терьеры, они являются собаками одного или двух человек и не особенно заботятся о компании незнакомцев. Хотя эти терьеры обычно не проявляют откровенной агрессии по отношению к незнакомцам, свойственной некоторым породам терьеров, они редко дружелюбны и обычно нервничают. Как и большинство других терьеров, имеют заслуженную репутацию за то, что они проворны и быстро кусаются.

Это особенно важно, когда они чувствуют угрозу.

Хотя они могут быть социализированы до такой степени, что они принимают детей, у них нет хорошей репутации в отношении детей, особенно маленьких. Терьеры вообще не ценят грубого обращения и даже неуклюжих движений детей. Они будут регулярно реагировать на это рычанием, щелканьем, а иногда и кусанием. Кроме того, эти собаки были выведены, чтобы свирепо стоять на своем перед лицом мелких животных и, как правило, повторяют это с маленькими детьми.

Если вам нужна собака для пожилой семьи, то денди динмонт-терьер может быть отличным выбором. Если маленькие дети будут часто посещать ваш дом, это может быть не самая лучшая порода для вас.

Денди динмонт-терьер — не самая лучшая порода для общения с другими собаками. Хотя эта порода не проявляет почти такой же агрессии, как большинство других терьеров, они, как правило, очень доминируют и почти всегда стоят на своем. Они сделают это почти с любой собакой, какой бы большой она ни была.

Хотя правильная социализация и дрессировка помогают, они не могут устранить фундаментальные инстинкты этой породы. Если вы хотите ввести собаку в дом с уже существующими собаками, вы можете столкнутся с трудностями. Определенно не рекомендуется держать двух собак одного пола, если у вас есть денди динмонт-терьер, а держать двух кобелей это почти напрашиваться на неприятности.

Денди динмонт терьеров не рекомендуется держать рядом с маленькими домашними животными. Эти собаки обладают сильным инстинктом преследования и будут нападать и убивать хомяков, песчанок, хорьков и кроликов.

Правильная социализация и дрессировка заставят в конце концов принять большинство кошек. Просто помните, что терьер, который не будет беспокоить кошку, которую он знал всю свою жизнь, может бесконечно беспокоить новую кошку, которую вы приведете в свой дом.

При этом это умная и хорошо обучаемая собака. Они известны тем, что являются одной из самых умных пород терьеров и могут соревноваться в ловкости и послушании. Однако эта порода также известна своей независимостью и чувствительностью. Эти собаки будут учиться, и учиться хорошо, но владельцы должны быть осторожны в том, как они их дрессируют.

Методы обучения должны быть в значительной степени основаны на вознаграждении, так как жесткие методы, такие как крик, скорее всего, приведут к обратной реакции. Кроме того, над этой породой всегда должно быть установлено доминирование, так как они будут стремиться взять все под свой контроль.

Денди динмонт-терьер, как правило, очень расслаблен, когда находится в доме, и также не требует больших физических упражнений на улице. Регулярная прогулка и частые возможности поиграть удовлетворят большинство терьеров.

Однако это не означает, что собака вообще не может заниматься физическими упражнениями. При недостаточной физической нагрузке эта порода имеет тенденцию становиться нервной и раздражительной.

Денди динмонт-терьер имеет склонность страдать синдромом маленькой собаки. Это происходит, когда владельцы не дисциплинируют маленькую собаку, как большую, потому что они либо кажутся менее опасными. Это может привести к тому, что маленькие собаки будут вести себя так, как будто они владеют миром и являются хозяевами всех и вся в нем.

Собаки, страдающие синдромом маленькой собаки, как правило, агрессивны, доминируют, выходят из-под контроля и редко проявляют уважение к личным границам. Специальная тренировка предотвратит развитие синдрома маленькой собаки.

Терьеры часто очень возбудимы и обычно выражают это возбуждение вокально. Хотя эти собаки не издают длинного лающего воя собаки, их тявканье может быть довольно высоким и громким. Если их не тренировать должным образом, многие могут вызывать жалобы на шум.

Уход

Как и в случае с большинством пород терьеров, денди динмонт-терьер имеет существенные требования к уходу. Эти собаки регулярно нуждаются в вычесывании шерсти.

В то время как некоторые владельцы предпочитают делать это самостоятельно, большинство предпочитают брать своих питомцев к профессиональным грумерам. Поскольку эти собаки нуждаются в профессиональном уходе несколько раз в год, потенциальные владельцы должны учитывать эти расходы.

Если порода должна содержаться в традиционном выставочном виде, необходимо проделать значительно больший объем работы. Однако эти собаки известны тем, что очень, очень легко линяют. Некоторые утверждают, что они вообще не линяют. Это делает породу отличным выбором для владельцев, которые либо страдают аллергией, либо не могут смириться с мыслью о том, что собачья шерсть покрывает все, чем они владеют.

Здоровье

Относительно здоровая порода, средняя продолжительность жизни которой составляет от 11 до 13 лет. Заводчиков этой собаки очень мало, и почти все они посвящают себя тому, чтобы позволить размножаться только самым здоровым животным.

Кроме того, эта порода всегда была редкой и не подвергалась сомнительной практике массового разведения, которой страдали некоторые породы. Однако небольшая популяция также очень затрудняет точную оценку того, каким опасностям подвержена порода, поскольку даже несколько случаев заболевания окажутся статистически аномальными в общей популяции.

Одна из проблем, от которой эта порода чаще всего страдает, — это проблемы со спиной. Удлиненная спина уязвима для смещения дисков, переломов, хронических болей и многих других проблем. Из-за удлиненного тела породы у нее могут быть проблемы со спиной, особенно с межпозвоночными дисками в спине собаки.

Эти диски иногда могут соскользнуть с места, что приводит к грыже межпозвоночного диска. Симптомы зависят от того, какая часть спины собаки поражена; они могут включать в себя паралич с потерей контроля над мочевым пузырем и кишечником в худших случаях. 

Очень важно быть осторожным при игре с этими собаками, чтобы предотвратить травму. Крайне важно тщательно следить за питанием и весом этих собак, так как у собак с избыточным весом значительно чаще развиваются проблемы со спиной, чем у собак со здоровым весом.

фото. описание породы, характера, ухода

Гриффон Кортальса или францу́зский жесткошёрстный гриффон (фр. Griffon d’arrêt à poil dur Korthals, англ. Wirehaired Pointing Griffon) это порода охотничьих собак, выведенная в 1800-х годах голландским спортсменом Эдуардом Карелом Кортальсом. Порода известна как отличный охотничий компаньон и способна работать в неблагоприятных погодных условиях и влажной среде. Эта порода все еще относительно редка, несмотря на долгое признание их соответствующими национальными клубами собаководства, а также FCI (Federation Cynologique Internationale). 

История породы

Название гриффон — это общий термин, используемый для описания ряда европейских пород, которые имеют жесткую шерсть. В то время как большинство гриффонов являются охотничьими породами, некоторые из них содержались как животные-компаньоны.

Гриффон — это французское слово, и большинство пород произошли во Франции. Классические грифоны это мифологические животные с головой и крыльями орла и телом и размерами льва и не ясно почему этот тип собак получил такое название.

Эти собаки были созданы задолго до того, как были созданы какие-либо записи о разведении собак. Достоверно лишь то, что гриффоны существовали, по крайней мере, со времен средневековья, а возможно, и задолго до него. Наиболее распространенная теория утверждает, что породы гриффонов происходят от породы, известной как Canis Segusius. Эти собаки содержались до римскими галлами современной Франции и, как говорили, были превосходными охотниками. Другие теории предполагают, что они были выведены из терьеров, завезенных в Европу из Британии во времена Римской Империи, или путем тщательного разведения мутаций с жесткой шерстью среди собак в Италии и Франции. К сожалению, ни одна теория не может быть доказана без генетических исследований, и истина может навсегда остаться тайной.

Несомненно, что на протяжении всего средневековья и вплоть до современной эпохи гриффоны и гриффоноподобные собаки были довольно распространены среди европейских охотничьих собак. Их жесткая шерсть давала им дополнительную защиту от стихии и позволяла работать во влажных условиях, таких как болотистая местность или районы с большим количеством озер и рек. Первоначально все гриффоны, вероятно, были гончими, выведенными для преследования дичи, в то время как охотники следовали либо верхом, либо пешком. Основной добычей этих собак были крупные млекопитающие, такие как олень, кабан, волк и лиса. Это был предпочтительный способ охоты, пока не появились надежные охотничьи ружья. Ружья не только облегчают охоту, но и позволят охотиться на более мелкую дичь. В результате стало популярным охотиться на птиц, белок и тому подобную добычу, которую раньше можно было поймать только ловушками.

Однако охота таким образом потребовала бы нового набора охотничьих методов и различных типов собак. Самое главное, что собаки, используемые для этой цели, должны быть более обучаемыми и отзывчивыми на команды своего владельца, поскольку этот новый тип охоты потребует сложных задач, таких как поиск. Эти охотничьи собаки также должны были быть менее свирепыми чтобы не повредить животных, которых они добыли. Для какой-нибудь дичи понадобились бы собаки потише, которые бы спокойно предупреждали своих хозяев, не лая, чтобы не спугнуть дичь.

Наконец, эти собаки должны были уметь работать самостоятельно и без помощи других собак. Чтобы успешно поохотиться на свирепого кабана или хитрую лису, нужно 20 собак, но для того, чтобы найти фазана, нужна только одна. Спортсмены по всей Европе взяли на себя разработку пород, которые могли бы работать вместе с вооруженными спортсменами. Эти собаки стали известны как Gun dogs или подружейные собаки.

К тому времени, когда подружейные собаки стали необходимостью, гончие уже зарекомендовали себя как обладатели превосходных охотничьих инстинктов, острого нюха и нежной натуры по отношению к людям. Все эти качества были бы необходимы в идеальной подружейной собаке, и это является причиной того, что большинство пород первоначально произошли от стаи охотничьих гончих. Породы гриффонов были идеальными кандидатами для развития в подружейных собак, потому что они также обладали шерстью, которая позволяла им работать в воде. Эти собаки были довольно популярны среди спортсменов в 1800-х годах. Поскольку охота по своей сути является соревнованием, любители этих пород находились в постоянном стремлении развить абсолютную подружейную собак. 

Одним из таких любителей был Эдуард Корталь (нидерл. Eduard Karel Korthals, 1851—1896).

Кортальс родился в 1851 году в Шутене, Нидерланды, и был сыном богатого банкира и скотовода. Кортальс вырос в привилегированной жизни и особенно любил охоту. Вокруг дома Кортальса и в большей части Нидерландов охота ведется в основном в польдерах, болотистых низинах. Это трудная местность для работы собаки, и он поставил своей целью создать идеальную подружейную собаку. Поскольку гриффоны давно известны своей способностью работать на влажной местности и вокруг нее, неудивительно, что Кортальс решил развить свою породу из них.

В 1874 году он приобрел самку гриффона по кличке Mouche. Неизвестно, к какому типу принадлежала Mouche, и она вполне могла быть породистой собакой или метисом. Известно, что она была коричнево-серого окраса, имела отличный нюх и была способна работать в самых разных местах. Кортальс был настолько впечатлен Mouche, что сделал ее основой своей породы. Вскоре после этого также приобрели других собак: Janus, Satan, Banco, Hector, и Junon. Как и Mouche, точная природа этих собак неизвестна. Кортальс известен тем, что время от времени добавлял других собак к своим на протяжении всей своей работы в качестве заводчика.

Поскольку в записях Кортальса не говорится определённо, какие породы он использовал для создания французского жесткошерстного гриффона, любителям пород и экспертам по собакам уже давно приходилось строить догадки. Известно, что он использовал гриффонов. Однако гриффон — это термин, сходный по значению с ретривером или питбулем, и может описывать любое количество пород, смесей или случайных пород собак определенного типа. Очень возможно, что использовали не чистокровных собак.

Также почти повсеместно принято считать, что использовали по крайней мере одну породу пойнтеров, а возможно и несколько.

Вскоре Кортальс был нанят в качестве агента герцога Пентьевра. Эта профессия позволила ему путешествовать по Западной Европе и познакомила его со многими богатыми и влиятельными спортсменами. Кортальс использовал любую возможность, чтобы превозносить достоинства своих охотничьих собак, и он нашел им много последователей. Также он взял за правило присутствовать почти на каждом крупном спортивном мероприятии в Западной Европе. Это позволило ему выставить своих собак на всеобщее обозрение и обсудить свою племенную программу с лучшими заводчиками подружейных собак, работающими в Европе.

Примерно в это же время Кортальс познакомился с принцем Альбрехтом Сольмс-Браунфельсским, региона ныне входящего в состав Германии. Принц Альберт разрешил посещать его питомник, который, как говорили, был превосходен. При финансовой поддержке отца Кортальс перевез свой питомник Ipenwoud из Нидерландов в Германию. В течение следующих двадцати лет он посвятил свою жизнь развитию французского жесткошерстного гриффона. 

Этот период в Германии ответственен за путаницу в отношении страны происхождения породы. Некоторые утверждают, что эта порода голландского происхождения, в то время как другие утверждают, что она немецкая.

Кортальс постоянно работал над улучшением своих собак, но он также распространил их по всей Европе и основал ряд других программ разведения. Он потерпел серьезную неудачу в 1881 году, когда тяжелая болезнь охватила его питомник и убила 16 молодых собак. К счастью, к этому времени в руках других заводчиков оказалось достаточно собак, чтобы порода была в безопасности. В 1887 году Кортальс и 16 других заводчиков подписали и опубликовали первый стандарт породы французского жесткошерстного гриффона, а в следующем году был основан первый международный клуб. Кортальс был предан этой породе до того дня, когда он умер от рака гортани в 1896 году. На тот момент порода, которую он создал, была хорошо известна и заслужила репутацию одной из лучших спортивных собак континентальной Европы.

В конце 1800-х годов первые собаки были экспортированы в Соединенные Штаты. Первым представителем породы, зарегистрированным в Американском клубе собаководства (АКС), была самка по имени Золетт в 1887 году. Эта порода продолжала набирать популярность среди американских спортсменов, и в 1916 году был создан Американский клуб гриффонов. В том же году 16 собак были выставлены в Вестминстерском клубе собаководства, что привело к существенному росту интереса к этой породе.

В 1917 году “New Country Life Magazine” опубликовал статью о породе, которая повысила осведомленность и интерес среди американского народа. Этот ранний интерес был почти исчерпан Мировыми войнами. Почти все серьезное разведение прекратилось. Однако эта порода продолжала набирать популярность среди спортсменов. К концу 1920-х годов эта порода была зарегистрирована в Американской племенной книге полевых собак и регулярно появлялась на испытаниях полевых собак. В 1936 году Объединенный клуб собаководства (UKC), который в первую очередь занимается рабочими собаками, впервые зарегистрировал французского жесткошерстного гриффона.

После окончания Второй мировой войны разведение в Америке возобновилось в серьезных масштабах. Многие американские солдаты видели эту породу в действии в Европе и были очень впечатлены. Некоторые привезли с собой собак, другие решили по возвращении обзавестись ими.

Гриффон Кортальса остается относительно редкой породой, хотя популярность неуклонно растет. В отличие от большинства современных пород собак, которые в основном являются животными-компаньонами, большой процент популяции жесткошерстных гриффонов все еще используется в качестве рабочих охотничьих собак. Эта порода регулярно участвует в полевых испытаниях и имеет большой успех. Эта порода считается одной из самых универсальных среди всех спортивных собак, также очень хорошо выступает на соревнованиях по послушанию и аджилити.

Описание породы

Гриффон Кортальса внешне похож на других спортивных собак с жесткой шерстью, в частности на немецкого пойнтера. Это средняя порода. Самцы обычно в холке 55-60 см, самки 50-55 см. Это мускулистая и спортивная порода, и должна выглядеть именно так. Собаки крепкие и хорошо сбалансированные на вид.

У гриффона длинная морда, что дает породе дополнительную площадь для обонятельных рецепторов. Морда относительно широкая, и эта ширина визуально увеличена шерстью породы. У этой породы темно-желтые или карие глаза, которые придают ей умное выражение. Нос должен быть коричневым; все остальные цвета сильно наказываются или не допускаются в шоу-ринге.

Уши средней длины и плотно прилегают к голове собаки. Пожалуй, самым узнаваемым аспектом морды гриффона являются борода и брови. Шерсть собаки образует бороду и усы на конце морды, которые часто сравнивают с козлиной бородкой. Шерсть также образует ярко выраженные брови, которые простираются над глазами собаки, но не закрывают их.

Как и следовало ожидать из названия, шерсть гриффона очень важна. Эта порода имеет две слоя шерсти, которые дают ей защиту от стихий. Подшерсток толстый и пушистый, в то время как наружная шерсть жесткая, сухая. Шерсть от короткой до средней длины и покрывает все тело. Большинство собак имеют более короткую шерсть на морде, ушах и ногах.

У грифофна никогда не должно быть курчавой шерсти, хотя некоторые курчавые собаки были использованы для создания этой породы. Предпочтительный окрас — серый с печеночными пятнами. Иногда рождаются черные щенки; этих собак обычно сразу же дисквалифицируют с выставочного ринга.

Характер

Французские жесткошерстные гриффоны ласковы, отзывчивы, стремятся угодить, игривы и умны. Эта порода была выведена для тесного сотрудничества со своим хозяином и чрезвычайно ласкова и преданна своей семье. Собака любит играть на протяжении большей части своей жизни и считается щенячьей, пока не достигнет преклонного возраста.

Она известна своей необычайной нежностью с детьми и часто становится с ними лучшими друзьями. Социализация очень важна, без нее эти собаки, как правило, сдержанны и нервничают в присутствии незнакомцев, хотя редко агрессивны.

При правильной социализации порода склонна быть вежливой, но сдержанной с новыми людьми, хотя они быстро становятся дружелюбными. Большинство собак предупредят, что к дому приближается незнакомец. Однако из этой породы получается плохая сторожевая собака.

Она чрезвычайно ориентирована на людей и предпочитает находиться в постоянном присутствии своей семьи. Кроме того, очень часто страдает от сильной разлуки и не идеальна для семей, которые должны оставлять свою собаку одну на много часов каждый день.

Гриффоны Кортальса обычно хорошо ладят с другими животными. Большинство представителей породы принимают других собак и редко бывают проблемы, если правильно социализированы. Однако эта порода не жаждет общества других собак так сильно, как некоторые породы, и предпочитает общество людей. Всегда лучше соблюдать осторожность при знакомстве новых собак друг с другом. 

Собака также обычно принимает домашних животных, не являющихся собаками. Эта порода была выведена как охотничья собака, но такая, которая не нападала и не убивала саму дичь. При правильной социализации и наблюдении она будет лучше ладить с маленькими домашними животными, чем большинство охотничьих пород. Некоторые из этих собак имеют тенденцию становиться охотниками за кошками и могут раздражать домашних или соседских кошек.

Это чрезвычайно дрессируемая собака, она была выведена, чтобы быть отзывчивой и послушной. Они способны изучать и выполнять ряд сложных команд и командных последовательностей. Если вы ищете породу, способную конкурировать в испытаниях на послушание и ловкость, то гриффон Кортальса превосходен и в том, и в другом.

Даже самые хорошо обученные и послушные представители породы могут уловить запах и очень взволноваться, преследуя его, и могут игнорировать команды вернуться. Владельцы должны тщательно и терпеливо работать со своими собаками, чтобы научить их контролировать свои импульсы. 

Как и большинство спортивных пород, гриффон имеет высокие требования к физической нагрузке. Это рабочие собаки, и им нужно высвободить свою энергию. Они нуждаются, по крайней мере, в регулярных энергичных прогулках, но предпочитают, чтобы им разрешали бегать без поводка. Предпочитает иметь цель и любит курсы аджилити, сложные игры и охоту.

Собаки, которые не тренируются должным образом, имеют тенденцию к развитию различных поведенческих проблем, включая нервозность, деструктивное поведение и различные навязчивые формы поведения. Если у вас нет возможности или желания правильно дрессировать собаку, вам, вероятно, следует рассмотреть другую породу. 

Однако они так же известны тем, что они более расслаблены и спокойны в помещении, чем большинство спортивных пород. После ежедневной пробежки они с удовольствием свернутся калачиком рядом со своими хозяевами и будут смотреть телевизор. Это означает, что они хорошо адаптируются к жизни в качестве домашнего животного-компаньона.

У этих собак есть склонность лезть в грязь, а также оставлять ее по всему дому. Кроме того, пища и вода попадают в их бороды и часто след. Если вы или член вашей семьи не можете смириться с мыслью о грязных полах или регулярной уборке, вам следует либо рассмотреть другую породу, либо создать специальные условия содержания.

Уход

Гриффон Кортальса имеет более высокие требования к уходу, чем большинство спортивных пород. Эти собаки нуждаются в регулярном и тщательном расчесывании и уходе. 

Особое внимание следует уделять шерсти в ушах и вокруг них, чтобы предотвратить проблемы. Волосы в ушах должны регулярно подстригаться. 

Некоторые источники утверждают, что гриффон не линяет. Это не является правдой, хотя порода имеет очень, очень низкий уровень линьки. Одна линяет значительно меньше, чем многие другие породы. Все собаки линяют, и именно перхоть и слюна собаки вызывают большинство аллергических реакций. 

Аллергологи действительно признают, что иногда конкретный пациент с аллергией может переносить определенную собаку. Эта порода может быть хорошим выбором для аллергиков или тех, кто ненавидит чистить собачью шерсть.

Здоровье

В целом здоровая порода. Их продолжительность жизни составляет около 12 лет, что для породы такого размера является очень долгим сроком. При должном здоровье и уходе эта порода регулярно доживает до 13 или 14 лет. 

Эти собаки были созданы из множества различных пород и имеют широкую генетическую базу. Кроме того, их уже давно разводят как рабочую охотничью собаку, а собаки с генетическими проблемами были бы исключены из племенных линий. Однако известно, что эта порода страдает несколькими генетическими нарушениями. 

Безусловно, самая распространенная проблема со здоровьем, с которой сталкивается гриффон Кортальса, — это дисплазия тазобедренного сустава. Дисплазия тазобедренного сустава вызвана деформацией сустава. Это вызывает боль и дискомфорт для собаки. В тяжелых случаях дисплазия тазобедренного сустава может даже привести к хромоте. 

Хотя это генетическое заболевание, факторы окружающей среды могут определить время возникновения дисплазии тазобедренного сустава и тяжесть этого состояния. В течение ряда лет эта проблема была очень широко распространена в породе, хотя в последние годы процент пострадавших особей существенно снизился, поскольку заводчики используют новые методы для выявления этого состояния и удаления определенных собак из племенного пула.

Волкособ (Wolfdog) — это активная, сильная и очень умная порода собак. Описание, фото и отзывы.

Сказать, что собака породы волкособ умна — значит не сказать ничего. Их интеллект отличается от интеллекта обычных собак. Что если бы речь шла о человеке, можно было бы сказать, что он более глубоко понимает мир вокруг, и вообще является более глубоким человеком по сравнению с остальными. Многие, кто имел опыт работы с волкособом, отмечают, что собака как будто делает собственные выводы, накапливает опыт, имеет прекрасную память, замечательно ориентируется на местности, отлично понимает человека, хотя иногда и пытается убедить его в обратном.

Последнее, кстати, также требует хитрости и ума. Этих животных сложно дрессировать, так как для них непонятно (во внутреннем смысле) простое запоминание команд. Это должно быть глубокое взаимодействие хозяина и собаки, когда собака идет навстречу и следует за командой хозяина, так сказать, скорее из дружбы, нежели из простой собачьей преданности. Симбиоз природы и человека. Хотя, и в этом отношении волкособ никогда не подведет.

Другое дело, что хозяин должен заслужить уважение своей собаки. Данная порода нередко может попросту игнорировать команды, или поступать по-своему. С какой-то стороны, можно сказать что волкособ рассматривает семью или хозяина как нечто наподобие стаи, и стремится занять в ней доминирующее положение. Они очень преданы своему хозяину, любят прогулки, у них большое количество энергии — с такой собакой предпочтительнее жить в частном секторе.

К незнакомцам относятся с настороженностью, к детям относятся нормально, если это дети из своей семьи. Если же это чужие дети, к ним отношение прохладное, но без агрессии — животное скорее просто уйдет (даже если это 3-х летний малыш, который тут же попытается засунуть собаке палец в ухо или в пасть, чего вообще делать не следует).

Других домашних животных не то, что воспринимают плохо — просто не воспринимают. В принципе. Как явление. Хотя, есть случаи успешной дружбы с другими собаками и даже котами, но, здесь нужно уточнить, что породу волкособ всегда приучали к этому с детства, и — без гарантий на успех.

В бою идут до конца, не отступают перед превосходящим противником. В качестве сторожевой собаки подходят не всегда, так как не склонны лаять, но любят выть. Особенно — на луну и некоторые звуки, например — звук взлетающего самолета. Могут терпеть отсутствие пищи и холодный климат, прекрасно адаптируются (но — только не к жизни на цепи), имеют отменные реакции. Очень нуждаются в ранней социализации.

Китайская хохлатая собака (Chinese Crested Dog)

Данная порода является идеальным компаньоном, и очень часто используется как спутник для людей с ограниченными возможностями. Однако, не стоит думать что у них очень открытый, дружелюбный и любвеобильный характер, это вовсе не так. Можно даже сказать, что всё как раз наоборот. Большинство этих собак с любовью воспринимают лишь одного, выбранного ими человека, или нескольких людей.

Иметь хорошее поведение внутри своей семьи — это пожалуйста, если собака осознаёт вас членом семьи, она будет бесконечно вам предана. Из-за чего они, кстати очень тяжело переживают разлуку, и могут даже от тоски становиться разрушительными. А вот по отношению к незнакомым людям, наблюдается совершенно иная картина, и полностью исправить характер животного крайне трудно.

Китайская хохлатая собака любит лаять на незнакомых людей, и неважно, находитесь вы дома или на улице. Причём, этот лай может быть продолжительным, и собака может укусить незнакомца за ногу. В процессе воспитания вам нужно будет избавляться от этого негативного качества. Кроме того, во время прогулки вам нужно будет стараться держать собаку на поводке.

Одно радует – данная порода не относится к тем, что требуют частых и длительных прогулок. Отчасти, именно поэтому их часто заводят люди с ограниченными возможностями, так как китайская хохлатая собака может буквально целый день лежать на кровати вместе с вами, абсолютно расслабившись и не испытывая никакого дискомфорта. Хотя, безусловно, время от времени выгуливать их просто необходимо.

Причём, если вы думаете что это ленивые и флегматичные животные, это не так – в этом и заключается удивительная особенность их характера. Если вы отправитесь на прогулку, собака будет с радостью играть с вами, обследовать кусты и вообще вести себя как любая активная жизнерадостная собака. Но если вы вернётесь домой, сядете на диван и уснёте, она ляжет возле вас и пролежит так до самого утра, отвлекшись разве что на еду.

Кстати, они высоко прыгают и могут преодолеть забор в 1,5 м высотой. Само собой разумеется, что порода китайская хохлатая собака часто спит со своим владельцам вместе в одной кровати. Если вы не хотите чтобы ваш питомец спал вместе с вами, его придётся отучать, так как подобное поведение у них в крови. К детям относятся нормально, но ребёнка нужно обучать правильному обращению, так как маленькие размеры и хрупкое телосложение делают этих животных очень уязвимыми к повреждениям.

Кстати, говоря о детях, мы имеем в виду детей своей семьи, к незнакомым детям они относятся в первую очередь как к незнакомым, то есть — не очень дружелюбно. Они очень боятся холода, но нормально воспринимают тёплую и жаркую погоду. Данная порода очень нуждается в ранней социализации, что поможет сделать характер более гармоничным, гибким и открытым.

Миниатюрные породы собак с фото и подробным описанием

Главные причины, по которым люди не заводят дома собаку, — недостаточная жилая площадь, отсутствие времени для ухода и прогулок, возможности присматривать за животным из-за частых командировок и т.д. В данных случаях, как отмечают специалисты, стоит обратить особое внимание на миниатюрные породы собак, представленные в этом разделе нашего сайта.

Миниатюрные собаки

Не редко можно встретить девушку с маленьким питомцем в милом наряде. Такие собаки относятся к отдельной группе, которая включает в себя декоративные породы. Представители данной группы не предназначены для того, чтоб выполнять какую-то работу, к примеру, нести сторожевую службу, либо охотиться.

Они, в основном, являются домашними любимцами и настоящими компаньонами. К таким породам относятся:

  • чихуа хуа;
  • китайские хохлатые;
  • мальтезе и т.д.

Но мини собаки подразделяются на 3 основные группы:

  • той – игрушечные питомцы с высотой в холке до 30 см и весом не больше 3 кг;
  • карликовые собаки – не выше 35 см с весом не больше 5 кг;
  • малые питомцы – с ростом в 10 см и весом до 10 кг.

Особенности

Все мини породы собак характеризуются малым весом и ростом. Они являются очень привязчивыми и доверчивыми в отношении с окружающим людям. Вместе с тем, эти животные с подозрением относятся к незнакомцам. Громко дают на чужаков, начинают рычать, тем самым выражая собственное недовольство, и даже могут покусать.

Эти милашки являются также очень умными, великолепно поддаются обучению. Практически все маленькие породы обладают охотничьими корнями, по этой причине им нужна постоянная двигательная активность. Маленькие питомцы живут примерно на пять лет дольше, нежели представители средних и крупных пород.

Великолепные мини собачки имеют слабое здоровье. В особенности наиболее уязвимые – нервная система и органы пищеварительной системы. На малышей нельзя постоянно кричать, причинять им боль, в противном случае у них может даже случиться инфаркт. Питание в обязательном порядке должно быть правильным и четко сбалансированным. Нельзя таким питомцам давать колбасу, сырое мясо и ряд иных продуктов, так как это наносит значительный вред их здоровью.

Породы гладкошерстных мини собачек не требуют вычесывания либо стрижек. За шерсткой некоторых питомцев, таких как болонка и пудель, надо постоянно ухаживать во избежание образования колтунов. Для гигиены должны применяться исключительно специальные средства. Более подробно особенности содержания и ухода за представителями данной группы вы узнаете в этом разделе, выбрав понравившуюся вам породу.

Не редко хозяйки таких животных одевают им разные наряды. Стоимость таких вещей довольно-таки высокая, однако, не нужно на этом экономить. Одежда нужна таким собакам, в особенности при заморозках, ведь они мерзнут и могут запросто простудиться.

Крошки не нуждаются в регулярных прогулках. Они могут ходить в туалет на пеленочку. Это в значительной степени облегчает жизнь хозяина, в особенности, когда прогулкам препятствует плохая погода. В этом разделе вы узнаете все, в чем нуждаются миниатюрные собаки, как за ними ухаживать, содержать и воспитывать.

особенности породы, история, уход и друссировка

Обаятельный питомец породы шпиц померанский, может очаровать кого угодно, при одном только взгляде на него появляется стойкое желание забрать маленького друга домой, окружить заботой. Но перед такой ответственной покупкой важно узнать все характеристики, достоинства, недостатки собаки.

Характеристика породы

Размеры померанского шпица весьма компактны:

  • Рост – 20-30 см;
  • Вес – 2-3 кг.

Миниатюрные собачки всегда дружелюбны, любвеобильны, подойдут для спокойных хозяев. Чувствуют себя комфортно как в квартире, так и в просторном доме со свободным выгулом на огороженной территории. Шпицу требуется постоянная забота, ласка, тщательный уход, чтобы сохранить внешний вид на высшем уровне.

Маленькая собака достаточно игрива, поэтому легко поддается дрессировке, а из-за желания всем нравиться, будет выполнять команды с особым удовольствием.

Описание породы, поведение, характер

Это милое создание является очень активным, ему сложно усидеть на месте, любит совместные игры с другими животными, пробежки с человеком.

  • Дружелюбно относится к посторонним питомцам, даже с неким любопытством.
  • Покладистый, если придется оставить шпица на какое-то время у друзей или родственников, то проблем не возникнет.
  • Хорошо приспособлен к постоянным походам с хозяином. Им нравится быть поближе к человеческому обществу. Шпица не возбраняется брать с собой не только на прогулки, но и по делам, маленький питомец не придаст много хлопот.
  • Обладает громким, звонким лаем, а главный недостаток — желание делать это часто, по поводу и без. Справиться с особенностью легко, если вплотную заняться воспитанием собаки со щенячьего возраста.
  • У него на удивление храбрый нрав. Иногда, совершенно не ощущая опасности, может начать дразнить, нападать на больших собак. Поэтому хозяину следует наблюдать за своим другом, не давая совершать необдуманных поступков.

Не подходит для семей с маленькими детьми. Ребенок будет постоянно хотеть гладить, обнимать милого питомца, а вот шпицу это не понравится, что приведет к чрезмерному раздражению.

Описание породы и характер померанского шпица делают его замечательным вариантом для одиноких людей, пенсионеров. Такой товарищ будет ласковой поддержкой, настоящим компаньоном в прогулках и играх.

Окрас

Благодаря вертикально стоящей шерсти, шпиц кажется очень пушистым, а интересный окрас делает его невероятно привлекательным и необычным. К слову, истинная расцветка шерстки проявляется только через полгода жизни собаки. Основные цвета следующие:

  • Белый;
  • Оранжевый;
  • Кремовый;
  • Соболиный;
  • Черный;
  • Коричневый;
  • Голубой.

Зачастую оттенки смешиваются — получаются необычные, уникальные цвета, поэтому каждый шпиц имеет индивидуальный окрас с пятнами или разводами.

История происхождения

С ходом эволюции внешность данной породы изменилась, сложно поверить, но предки померанского шпица весили не менее 14 кг. Все поменялось, когда в 1870 году собаки попали в Англию, где над ними поработали лучшие селекционеры, проведя апгрейд. Уменьшив рост и вес, специалисты старались угодить правящей в то время королеве Виктории, которая обожала миниатюрных собачек.

Название шпица произошло от Балтийского района Померании. Достоверное происхождение собаки неизвестно, историки до сих пор строят предположения. Популярность шпицы приобрели в 18 веке, будучи любимцами, сначала простых людей, затем знатных особ. Потом на какое-то время про них вовсе забыли, переключившись на пекинесов, но королева Виктория своей любовью к новым маленьким собачкам ввела тенденцию, которая не пропала до сих пор.

Разновидности

Этих вызывающих умиление созданий принято делить на три группы.

  1. «Мишки» — короткая морда, толстые лапы, обильная шерсть, маленькие, закругленные уши.
  2. «Лисички» (классический) – немного вытянутая мордочка, заостренные уши, меньший слой подшерстка, лапы тонкие.
  3. Промежуточный – это смешанный тип, в котором есть черты от первого и второго вида.

Щенки медвежьего типа в маленьком возрасте, правда, напоминают милых мишек. Потом внешний вид меняется из-за длинной шерсти. Но регулярные стрижки помогут это исправить.

Достоинства и недостатки

При виде маленьких шпицев, сложно удержаться от умиления и желания завести дома такого питомца. Но прежде чем придаться эмоциям, следует узнать достоинства и недостатки пушистого непоседы.

Плюсы:

  • Приветливый нрав, дружелюбие;
  • Безграничная любовь к хозяину;
  • В любое время готовность к активности и играм;
  • Чистоплотность;
  • Смышленый, «живой» ум, легко поддается обучению, дрессировкам;
  • Легко уживается с другими животными.

Минусы:

  • Громкий лай, с помощью которого собака выражает свою любовь и другие чувства. Слишком громкий питомец для многоэтажных домов, соседи могут начать жаловаться на лай;
  • Из-за своего бесстрашного нрава нападают на больших собак, совершенно не ощущая опасности, что может быть чревато серьезными травмами;
  • С осторожностью относятся к детям, не любят когда их тискают.

Уход и содержание дома

Хозяевам придется постараться, чтобы сохранить привлекательный внешний вид собак. Померанские шпицы нуждаются в ежедневном расчесывании, так как имеют длинную шерсть, сильно линяют, это основная особенность содержания. В обычные дни для вычесывания используется металлическая щетка, в периоды линьки фурминатор.

Регулярно проводится чистка ушей и глаз, так как они часто загрязняются, что в дальнейшем приводит к инфекционным заболеваниям.

У шпицев сухая кожа, поэтому хорошо использовать сухой шампунь. Если хозяин предпочитает все же купать собаку обычным средством, следует после мытья наносить кондиционеры.

Периодически проводится чистка зубов, обрезание когтей. Склонность к образованию зубного камня и высокая скорость роста когтей не позволяют оставить это без внимания.

Кажется, что у померанских шпицев имеется нескончаемый запас энергии. Они любят прогулки, даже после часовых гуляний будут чувствовать себя бодрыми. Не требуют дополнительных физических нагрузок, потому что сами по себе крайне активные, но нуждаются в регулярных ежедневных променадах, где выплескивают всю накопившуюся энергию. Если не обеспечить маленькому другу постоянные выходы на свежий воздух, он может проявлять агрессию, особенно при круглосуточном содержании в квартире.

Питание

Красивая собака с необычной, шелковистой шерстью нуждается в сбалансированном питании, которое поможет поддерживать превосходный внешний вид и иммунитет в норме.

Необходимые в рационе продукты:

  • Нежирное мясо;
  • Субпродукты, в частности печень;
  • Куриные и перепелиные яйца;
  • Морская рыба;
  • Кисломолочные продукты, особенно нежирный творог, обезжиренный кефир;
  • Зелень;
  • Овощи и фрукты;
  • Каши, которые составляют всего 10% от дневного питания;
  • Оливковое масло, для заправки каш и овощей.

Благодаря этому списку продуктов собака получает необходимые микроэлементы, витамины. Хотя нередко могут понадобиться дополнительные приемы препаратов, которые прописывает ветеринар в случае недостатка необходимых компонентов в организме.

Запрещенные продукты:

  • Жирная, жареная, копченая пища;
  • Острые продукты, любые пряности;
  • Бобовые;
  • Кости;
  • Мучные изделия, продукты с сахаром;
  • Копченая и сушеная рыба;
  • Маринованные продукты;
  • Картофель;
  • Цитрусовые фрукты.

Кормить померанского шпица нужно по-особенному: пища должна быть в большей степени готовой, в сыром виде подается только мясо, субпродукты, и то перед этим их рекомендуется ошпарить кипятком. При этом предпочтительно, чтобы субпродуктов в рационе было немного, нельзя заменять ими мясо полностью. Рыба подается только в отварном виде, без костей.

  • Щенков до двух месяцев кормят 5 раз в день;
  • Малышей от 2-х до 4-х – 4 раза в день;
  • Затем до полугода собачкам дают пищу 3 раза в день;
  • Взрослые особи едят 2 раза в день.

Прививки

Каждый заботливый хозяин хочет знать, как обезопасить своего питомца от инфекций. Делается это с помощью обязательных вакцинаций.

Прививки – это занесение в организм вируса, от которого делается вакцина, но в генномодифицированной форме. В результате образуется иммунитет на определенное время, как правило, на 12 месяцев.

Перед вакцинацией собака подготавливается, делается это следующим образом:

  • Для начала избавляются от глистов (используя противогельминтные препараты) и блох, за 10 дней до прививания;
  • Узнать у заводчика, который продал щенка, какие прививки уже были проведены собаке, чтобы не совершить повторений.

Вакцинацию запрещено проводить, если накануне у шпица наблюдается неадекватное, агрессивное поведение, повышенная температура, проблемы с желудочно-кишечным трактом. Нельзя делать прививки, если недавно принимались иммунодепрессанты.

Груминг

Померанский шпиц с густой и стоячей шерстью для красоты нуждается в регулярном уходе. Это целый комплекс, который включает в себя:

  • Расчесывание;
  • Купание;
  • Дезинфекцию;
  • Стрижку;
  • Удаление отмерших волос;
  • Чистку зубов, ушей, глаз;
  • Стрижку когтей;
  • Очищение анальных желез.

Лучшим вариантом будет обращение к специалисту, который сможет без труда улучшить внешний вид собаки и провести необходимые процедуры. Но если хозяин решит делать это самостоятельно, понадобится несколько основных инструментов:

  • Металлическая расческа, двусторонняя, с толстыми зубьями с одной и с частыми, мелкими с другой;
  • Триммингов нож;
  • Массажная расческа;
  • Закругленные ножницы с тупыми концами.

Алгоритм действий стрижки следующий:

  • Перед расчесыванием увлажняют шерстяной покров и кожу собаки, для этого опрыскивают шерсть водой, аккуратно втирая влагу пальцами;
  • После увлажнения, вычесывания производится стрижка области вокруг ушей – на внутренней кромке шерсть состригается примерно на 3,5 см, на внешней – 3 см, и мордочки в целом, с переходом на грудь и передние лапки;
  • Затем аккуратно состригается паховая и анальная область, после этого хвост и задние лапы;
  • В завершение делается общая коррекция стрижки.

Процедура не быстрая, но она не будет стрессовой, если приучать к ней питомца с раннего детства.

Дрессировка

Воспитанием стоит заниматься с самых первых дней появления собаки в доме, причем запрещено давать какие-либо поблажки, хозяин обязан проявлять всю жесткость и стойкость характера. Важно показать щенку, кто главный во взаимоотношениях, кого ему придется слушаться. Почувствовав сильное управление, шпиц начнет вести себя покладисто. Конечно, нельзя обойтись и без любви, то есть наказывать и делать выговоры нужно исключительно за провинности.

Стоит пресекать лай собаки, питомец должен понимать, что таким образом он ничего не добьется.

Наилучшим вариантом для дрессировки станут групповые занятия с кинологом и другими собаками, таким образом, шпиц не только получит качественное воспитание, но и опыт социализации с другими животными и людьми.

Команды, необходимые к изучению в первые месяцы жизни:

  • «фу»;
  • «ко мне»;
  • «рядом»;
  • «место»
  • «сидеть».

Померанский шпиц отличается острым умом, поэтому дрессировка не доставит особых хлопот, главное заинтересовать его.

Критерии выбора

При выборе собаки, задается себе вопрос, для какой цели производится покупка щенка. В зависимости от ответа будет изменяться его цена и критерии отбора. Собак заводят в качестве домашнего любимца, выставочного экземпляра или для разведения.

Шоу-класс

К этой категории относятся шпицы, которые в дальнейшем будут участвовать в выставках. При выборе надо:

  • Уделить особое внимание изучению родословной;
  • Попросить заводчика показать родителей щенка и их награды;
  • Рекомендуется взять с собой на осмотр опытного хендлера.

Брид-класс

К данному классу относятся собаки для дальнейшего разведения. При выборе так же обращают внимание на родословную и внешний вид родителей. При этом нужно узнать, принадлежит ли щенок к помету линейной вязки.

Пэт-класс

Это самые бюджетные шпицы, предназначенные для домашнего содержания, в качестве обычного питомца. Они не могут участвовать в выставках и разведении из-за несоответствия по параметрам: цвету шерсти, родословной и т.п. Если у хозяина не стоит цели в дальнейшем представлять любимца на выставках и использовать для разведения, тогда нет смысла тратить большие суммы на щенка с безупречным внешним видом и элитной родословной.

На что обратить внимание

Неважно, на какой класс пал выбор у покупателя, в любом случае есть основные критерии, на которые обращается внимание:

  • Подвижность и активность щенка;
  • В помещении, где содержатся собаки у заводчика, должно быть сухо, чисто, тепло;
  • Стоит узнать у заводчика о питании суки и щенка.

Болезни и лечение

Померанский шпиц относится к представителям собак с хорошим здоровьем, высокой продолжительностью жизни (12-14 лет). Основная часть возможных заболеваний связана с карликовым ростом собаки. Заботливому хозяину необходимо проявить наблюдательность и при отклонениях от здорового поведения, сразу обратиться к ветеринару.

Конечности

Нередко встречаются у собаки проблемы с суставами, например, самым распространенным является слабость связок конечностей. Проявляется это хромотой, которая со временем станет практически незаметной, но проблема с суставами останется, поэтому при первых признаках нужно обратиться к врачу.

Из-за хрупкости и маленького роста нередко случаются переломы костей. Чтобы избежать проблемы, следует проявлять максимум осторожности в обращении с животным и не разрешать забираться на высокие поверхности.

Желудочно-кишечный тракт

Нередки случаи аллергии. Возможна проблема ожирения, шпицы любят поесть, а заботливые хозяева балуют своих друзей разными вкусностями. Нельзя перекармливать собаку и не вестись на поводу его слабостей.

Во время перехода с молока на твердую пищу у щенков начинаются колиты, которые проходят со временем. Проявление такого недуга у взрослых собак является признаком гастрита.

Глаза

Самым распространенным заболеванием глаз у шпицев является чрезмерная слезоточивость. Происходит это зачастую после прогулок от попадания пыли и других микрочастиц, для этого под рукой нужно иметь капли для глаз, а еще ежедневно протирать глазки чистой салфеткой смоченной в специальном растворе или отваре ромашки.

К часто встречающимся заболеваниям глаза у шпица относится атрофия сетчатки глаза – врожденная болезнь.

Здоровье собаки – правильный уход. Померанский шпиц – требует к себе много внимания. Это маленький, хрупкий питомец, внешний вид и здоровье которого зависит от хозяина, поэтому перед покупкой лучше сто раз подумать, готов ли человек взять на себя ответственность за этого пушистого друга.

Все для вашего питомца в интернет-магазине

Как легко построить модель классификации изображений породы собак | Джеймс Ле | NanoNets

Если вы нетерпеливы, прокрутите до конца сообщения Github Repos

Кто такая хорошая собака? Кому нравятся царапины в ушах? Что ж, похоже, эти причудливые глубокие нейронные сети не дают всех ответов. Однако, может быть, они смогут ответить на тот вездесущий вопрос, который мы все задаем при встрече с четвероногим незнакомцем: что это за хороший щенок?

В этом руководстве мы рассмотрим создание классификатора глубокой нейронной сети, способного определять породу собаки по фотографии с использованием набора данных Dog Breed.Мы рассмотрим, как обучить модель, спроектировать входные и выходные данные для классификации категорий и, наконец, отобразить результаты точности для каждой модели.

Проблема классификации изображений выглядит следующим образом: учитывая набор изображений, которые все помечены одной категорией, нас просят предсказать эти категории для нового набора тестовых изображений и измерить точность прогнозов. С этой задачей связано множество проблем, включая изменение точки обзора, изменение масштаба, изменение внутри класса, деформацию изображения, перекрытие изображения, условия освещения, фоновый беспорядок и т. Д.

Как мы можем написать алгоритм, который может классифицировать изображения по отдельным категориям? Исследователи компьютерного зрения разработали подход, основанный на данных, чтобы решить эту проблему. Вместо того, чтобы пытаться указать, как выглядит каждая из интересующих категорий изображений непосредственно в коде, они предоставляют компьютеру множество примеров каждого класса изображений, а затем разрабатывают алгоритмы обучения, которые рассматривают эти примеры и узнают о внешнем виде каждого класса. . Другими словами, они сначала накапливают обучающий набор данных с помеченными изображениями, а затем передают его в компьютер, чтобы он ознакомился с данными.

Учитывая этот факт, весь конвейер классификации изображений можно формализовать следующим образом:

  • Наш вход — это обучающий набор данных, состоящий из N изображений, каждое из которых помечено одним из K различных классов.
  • Затем мы используем этот обучающий набор для обучения классификатора, чтобы узнать, как выглядит каждый из классов.
  • В конце мы оцениваем качество классификатора, прося его предсказать метки для нового набора изображений, которые он никогда раньше не видел.Затем мы сравним истинные метки этих изображений с предсказанными классификатором.

Подход обработки изображений машинного обучения к классификации изображений включает в себя идентификацию и извлечение ключевых характеристик из изображений и их использование в качестве входных данных для модели машинного обучения. С технической точки зрения классификация изображений — это метод машинного обучения, который напоминает работу человеческого мозга. С помощью этого метода компьютеры обучаются распознавать визуальные элементы в изображении.Опираясь на большие базы данных и замечая возникающие закономерности, компьютеры могут разбираться в изображениях и формулировать соответствующие теги и категории.

В этом разделе представлены сверточные нейронные сети , которые являются умным способом уменьшить количество параметров. Вместо того, чтобы иметь дело с полностью подключенной сетью, подход CNN многократно использует один и тот же параметр. Основная идея CNN заключается в том, что достаточно хорошо понимать изображение на местном уровне. Практическая выгода заключается в том, что меньшее количество параметров значительно сокращает время, необходимое для обучения, а также уменьшает объем данных, необходимых для обучения модели.

Вместо полностью связанной сети весов от каждого пикселя, CNN имеет достаточно весов, чтобы посмотреть на небольшой участок изображения. Это похоже на чтение книги через увеличительное стекло; в конце концов, вы читаете всю страницу, но в любой момент времени смотрите только на небольшой фрагмент страницы.

Рассмотрим изображение размером 256 × 256. Вместо того, чтобы обрабатывать все изображение сразу, CNN может эффективно сканировать его фрагмент за фрагментом — скажем, окно 5 × 5. Окно 5 × 5 скользит по изображению (обычно слева направо и сверху вниз), как показано на рисунке ниже.То, насколько «быстро» он скользит, называется длиной его шага. Например, длина шага 2 означает, что скользящее окно 5 × 5 перемещается на 2 пикселя за раз, пока не охватит все изображение. Это окно 5 x 5 имеет связанную матрицу весов 5 x 5.

Манипуляции со скользящим окном происходят на сверточном слое нейронной сети. Типичная CNN имеет несколько слоев свертки. Каждый сверточный слой обычно генерирует множество альтернативных сверток, поэтому весовая матрица является тензором 5 × 5 × n, где n — количество сверток.

В качестве примера предположим, что изображение проходит через слой свертки на весовой матрице 5 × 5 × 64. Оно генерирует 64 свертки, сдвигая окно 5 × 5. Следовательно, эта модель имеет 5 × 5 × 64 (= 1600) параметров, что значительно меньше параметров, чем полностью подключенная сеть, 256 × 256 (= 65 536).

Прелесть CNN в том, что количество параметров не зависит от размера исходного изображения. Вы можете запустить ту же CNN на изображении размером 300 × 300, и количество параметров в сверточном слое не изменится!

Набор данных, над которым мы будем работать, доступен здесь.Предоставляется обучающий набор и тестовый набор изображений собак. У каждого изображения есть имя файла, которое является его уникальным идентификатором. Набор данных включает 120 пород собак. Чтобы упростить задачу, мы сократим набор данных до 8 основных пород. В приведенном ниже руководстве показано, как использовать TensorFlow для создания простой CNN с 3 сверточными слоями для классификации пород собак.

Обработка данных

1 — Пакеты

Давайте импортируем все необходимые пакеты.

2 — Распаковать файлы

Теперь нам нужно извлечь обучающие и тестовые файлы из zip-архива.Это код:

 # Распаковываем поезд и тестируем zip файлarchive_train = ZipFile ("Data / train.zip", 'r') archive_test = ZipFile ("Data / test.zip", 'r') # Эта строка показывает 5 первых имен изображений в базе данных поездовarchive_train.namelist () [0: 5] # Эта строка показывает количество изображений в базе данных поездов, отмечая, что мы должны удалить 1-е значение (заголовок столбца) len (archive_train.namelist ( ) [:]) - 1 

Последняя строка кода должна возвращать значение 10 222.

3 — Изменить размер и нормализовать данные

Функция ниже создает файл pickle для сохранения всех изображений в распакованном виде.

Затем мы определяем новый размер изображения, применяемый для всех изображений, и вызываем указанную выше функцию.

 image_resize = 60DataBase_creator (archivezip = archive_train, nwidth = image_resize, nheight = image_resize, save_name = "train") DataBase_creator (archivezip = archive_test, nwidth = image_resize, nheight = image_resize, save_name = "тест"), если используется 
с ЦП мы должны увидеть, что использование времени составляет около 40 секунд для zip-файла поезда и 41 секунду для тестового zip-файла.

У нас есть поезд и тестовые файлы рассола. В следующий раз, когда мы откроем этот код в Jupyter Notebook, мы сможем загрузить их напрямую, и шаг выше можно пропустить, если мы перезапустим код позже.

 # load TRAINtrain = pickle.load (open ("train.p", "rb")) train.shape 

Форма обучающих данных должна быть (10222, 60, 60, 3).

 # load TESTtest = pickle.load (open ("test.p", "rb")) test.shape 

Форма тестовых данных должна быть (10357, 60, 60, 3).

Все изображения имеют разную форму. Для нашей модели нам нужно изменить их размер до той же формы. Мы используем обычную практику, чтобы преобразовать их в квадрат. Нам также необходимо нормализовать наш набор данных, разделив на 255 все значения пикселей. Новые значения пикселей будут в диапазоне [0,1].

Давайте проверим одно изображение из набора данных обучения:

 lum_img = train [100,:,:,:] plt.imshow (lum_img) plt.show () 

4 — Проверьте файл ярлыков

Теперь давайте увеличьте масштаб файла метки CSV из данных поезда.

 labels_raw = pd.read_csv ("Data / labels.csv.zip", сжатие = 'zip', header = 0, sep = ',', quotechar = '"') labels_raw.sample (5) 

5 — Извлечь наиболее представленные породы

Мы сократим базу данных, чтобы упростить нашу модель. Кроме того, это поможет в расчетах, так как будет только N пород для классификации. Мы сможем легко запустите модель менее чем за 10.

Мы должны увидеть следующий результат:

Давайте посмотрим на одно изображение:

 lum_img = train_filtered [1,:,:,:] plt.imshow (lum_img) plt.show () 

6 — One-Hot Labels

Давайте сделаем одноразовое кодирование для данных наших этикеток.

 # Выбираем метки из N основных breedslabels = labels_filtered ["разводить"]. As_matrix () labels = labels.reshape (labels.shape [0], 1) # label.shape [0] выглядит быстрее, чем при использовании len (label) labels.shape 

Форма метки (922, 1).

 label_name, labels_bin = matrix_Bin (labels = labels) labels_bin [0: 9] 

7 — Быстрая проверка ярлыков

Давайте посмотрим, какие N ярлыков мы храним.Как вы увидите ниже по горячим этикеткам, вы можете найти, какой породе он соответствует.

 для породы в диапазоне (len (label_name)): print ('Порода {0}: {1}'. Format (Порода, label_name [порода])) 
 labels_cls = np.argmax (labels_bin, axis = 1) метки [0: 9] 

Сверточные нейронные сети

1 — Создание обучающих и проверочных данных

Мы разделяем наши обучающие данные на две части: обучающий набор и проверочный набор. Таким образом, мы можем проверить точность модельного поезда, созданного из «обучающего набора», на проверочном наборе.

 num_validation = 0.30X_train, X_validation, y_train, y_validation = train_test_split (train_filtered, labels_bin, test_size = num_validation, random_state = 6) 

2 — Создание поезда и тестовых данных здесь

и

исходных данных

. обучающие и тестовые наборы:

3 — CNN с TensorFlow — определение слоев

Архитектура будет такой:

  • 1-й сверточный уровень с 32 фильтрами
  • Максимальный пул
  • Relu
  • 2-й сверточный слой с 64 фильтрами
  • Максимальный пул
  • Relu
  • 3-й сверточный уровень со 128 фильтрами
  • Максимальный пул
  • Relu
  • DropOut
  • Flatten Layer
  • Полностью подключенный уровень с 500 узлами
  • Relu
  • DropOut
  • Полностью подключенный уровень с n узлы (n = количество пород)

Вот краткое объяснение этих терминов:

  • Слой свертки: Как объяснялось в разделе CNN выше, на этом уровне мы сохраняем пространственные отношения между пикселями, изучая особенности изображения с использованием небольших квадратов входных данных.Эти квадраты входных данных также называются , фильтрами, или ядрами. Матрица, сформированная путем перемещения фильтра по изображению и вычисления скалярного произведения, называется картой характеристик . Чем больше у нас фильтров, тем больше функций изображения извлекается и тем лучше становится наша сеть в распознавании шаблонов в невидимых изображениях.
  • Уровень ReLU: Для того, чтобы нейронная сеть была мощной, она должна содержать нелинейность.ReLU — одна из таких нелинейных операций, что расшифровывается как Rectified Linear Unit. Это поэлементная операция, которая заменяет все отрицательные значения пикселей в карте признаков на 0. Мы передаем результат из сверточного слоя через функцию активации ReLU .
  • Максимальный уровень пула: После этого мы выполняем операцию пула , чтобы уменьшить размерность каждой карты функций. Это позволяет нам уменьшить количество параметров и вычислений в сети, тем самым контролируя переоснащение.CNN использует max-pooling , в котором он определяет пространственную окрестность и берет самый большой элемент из исправленной карты признаков в этом окне. После уровня объединения наша сеть становится инвариантной к небольшим преобразованиям, искажениям и трансляциям во входном изображении.
  • Полностью подключенный уровень: После этих слоев мы добавляем пару полносвязных слоев, чтобы завершить архитектуру CNN. Выходные данные слоев свертки и объединения представляют собой высокоуровневые функции входного изображения.Слои FC используют эти функции для классификации входного изображения по различным классам на основе набора обучающих данных. Помимо классификации, добавление слоев FC также помогает изучить нелинейные комбинации этих функций.
  • Dropout Layer: Dropout — это метод регуляризации, который помогает сети избежать переобучения. Обычно во время обучения половина нейронов на определенном слое будет деактивирована. Это улучшает обобщение, поскольку вы заставляете свой слой учиться с разными нейронами.Обычно мы используем Dropout на полностью подключенных слоях, но также можно использовать Dropout после максимального объединения слоев, создавая некоторый вид увеличения шума изображения.

Если смотреть в целом, архитектура CNN выполняет 2 основные задачи: извлечение признаков (свертка + объединение слоев) и классификация (полносвязные уровни). В общем, чем больше у нас шагов свертки, тем более сложные функции наша сеть сможет научиться распознавать.

Здесь мы определяем наши веса, смещения и другие константы.

Здесь мы определяем наш сверточный слой.

Здесь мы определяем наш плоский слой.

Здесь мы определяем наш полностью связанный слой.

4 — CNN с TensorFlow — Настройка тензора заполнителя

Здесь мы настраиваем заполнитель для тензора в TensorFlow.

 x = tf.placeholder (tf.float32, shape = [None, img_size, img_size, num_channels], name = 'x') x_image = tf.reshape (x, [-1, img_size, img_size, num_channels]) # -1 поместите все как 1 arrayy_true = tf.placeholder (tf.float32, shape = [None, num_classes], name = 'y_true') y_true_cls = tf.argmax (y_true, axis = 1) keep_prob_fc = tf.placeholder (tf.float32) keep_prob_conv = tf.placeholder (tf.placeholder float32) 

5 — CNN с TensorFlow — Создание слоя

В этой части вы можете поиграть с размерами и количеством фильтров. Лучшая модель — это модель с нужным количеством слоев, но также с хорошим выбором размеров и количества фильтров.

6 — CNN с TensorFlow — потеря кросс-энтропии

Здесь мы определяем нашу функцию потерь для обучения нашей модели.

 cross_entropy = tf.nn.softmax_cross_entropy_with_logits (logits = layer_fc2, labels = y_true) cost = tf.reduce_mean (cross_entropy) optimizer = tf.train.AdamOptimizer (Learning_rate = 1e-4 cost). (y_pred_cls, y_true_cls) precision = tf.reduce_mean (tf.cast (right_prediction, tf.float32)) 

7 — CNN с TensorFlow — Обучите модель

Теперь давайте фактически обучим нашу нейронную сеть!

 сеанс = tf.Session () def init_variables (): сеанс.run (tf.global_variables_initializer ()) 

Функция ниже создает пакет из набора данных. Мы используем пакет для обучения нашей модели.

 init_variables () total_iterations = 0optimize (num_iterations = 3500, X = 250) 

Как видите, модель имеет тенденцию к переобучению и не очень хороша.

8 — CNN с TensorFlow — Результаты

Результаты не так хороши, поскольку точность составляет всего 44%. Использование предварительно обученной модели с Keras даст вам лучший результат, но с этой моделью вы будете знать, как создать с нуля свою собственную CNN с помощью TensorFlow.

Имея больше фотографий собак, мы можем повысить точность. Кроме того, мы можем создавать новые изображения в нашем наборе обучающих данных, вращая изображения. это то, что мы называем увеличением изображения. Это поможет модели обнаружить узор, который может иметь различное «положение» в пространстве.

Ниже приведены некоторые функции для отображения некоторых изображений из новых данных испытаний с соответствующими породами и прогнозируемыми породами. Также есть матрица путаницы, чтобы увидеть результаты.

Давайте посмотрим на результаты!

 feed_dict_validation = {x: X_validation, y_true: y_validation, keep_prob_conv: 1, keep_prob_fc: 1} df_validation_Predicted_cls = session.run (y_pred_cls, feed_dict = feed_dict_validation) plot_images (images = X_validation [50:62], cls_true = df_validation_toPred_cls [50:62], cls_pred = df_validation_Predicted_cls [50:62] = 6365} (
) / {1} "). Format (df_validation_toPred_cls [i], label_name [df_validation_toPred_cls [i]])) print ((" Pred: {0} / {1} "). Format (df_validation_Predicted_cls [i], label_name [df_validation_Pred i]])) lum = X_validation [i,:,:,:] plt.show () 
 plot_confusion_matrix (df_validation_toPred_cls, df_validation_Predicted_cls) 

Как вы можете видеть, модель не позволяет различать породы 1: 900_35 bernese_master Порода 2: entlebucher .Эти 2 породы очень похожи друг на друга (одинакового цвета и формы). Итак, кажется нормальным, что наша модель сделала несколько ошибок между этими двумя породами.

Столкнувшись с проблемой точности при переносе обучения, я решил решить ее, создав простой в использовании облачный сервис глубокого обучения, использующий переносное обучение. Он содержит набор предварительно обученных моделей, которые были обучены по миллионам параметров. Я могу загрузить данные Fashion MNIST, а затем служба выберет лучшую модель для использования в этой задаче.Наконец, он создает новую NanoNet поверх существующей предварительно обученной модели и подгоняет NanoNet к данным.

Поскольку модели NanoNets в значительной степени предварительно обучены, я использовал гораздо меньший обучающий набор данных, всего ~ 100 изображений на класс. От этой модели я получил точность теста 83,3%. Это на 7% больше, чем у модели VGG19, несмотря на использование 1/60 данных! Причина, по которой модель NanoNets работает лучше, заключается в большом объеме предварительного обучения, оптимальном выборе гиперпараметров и увеличении данных.

Самое замечательное в NanoNets то, что каждый может загружать данные и строить свои собственные модели. Вы можете создавать модели двумя способами:

2. Использование NanoNets API:

Ниже мы дадим вам пошаговое руководство по обучению вашей собственной модели с использованием Nanonets API в 9 простых шагов.

Шаг 1. Клонируйте репо

 git clone https://github.com/NanoNets/image-classification-sample-python.git 
cd image -classification-sample-python
sudo pip install requests

Шаг 2: Получите бесплатный ключ API

Получите бесплатный ключ API из http: // app.nanonets.com/#/keys

Шаг 3: Установите ключ API в качестве переменной среды

 export NANONETS_API_KEY = YOUR_API_KEY_GOES_HERE 

Шаг 4. Создайте новую модель

 python ./code/create-model.py 

Примечание: это генерирует MODEL_ID, который вам нужен для следующего шага

Шаг 5: Добавьте идентификатор модели в качестве переменной среды

 export NANONETS_MODEL_ID = YOUR_MODEL_ID 

Шаг 6: Загрузите обучающие данные

Соберите изображения желаемых объектов обнаружить.Когда у вас есть готовый набор данных в папке images (файлы изображений), начните загрузку набора данных.

 python ./code/upload-training.py 

Шаг 7: Обучите модель

После загрузки изображений начните обучение модели

 python ./code/train-model.py 

Шаг 8: Получить Состояние модели

Обучение модели занимает ~ 30 минут. Вы получите электронное письмо после обучения модели. А пока вы проверяете состояние модели

 watch -n 100 python./code/model-state.py 

Шаг 9: Сделайте прогноз

После обучения модели. Вы можете делать прогнозы, используя модель

 python ./code/prediction.py PATH_TO_YOUR_IMAGE.jpg 

ФОТО: Проверьте свою личность на основе вашей любимой породы собак

Дом / Фото / Образ жизни / ФОТО: Оцените свою индивидуальность на основе любимой породы собак
  • Наши предпочтения в отношении собак действительно многое говорят о нас. Вам больше нравится немецкая овчарка, золотистый ретривер, мопс или песик? Если вы любитель собак, проверьте свою индивидуальность на основе вашей любимой породы собак
Подробнее

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST 9 Фото

/

Владельцев собак или любителей собак привлекают определенные породы, которые имеют общие черты характера, подражают их темпераменту или имеют те же характеристики, поэтому собаки считаются нашими лучшими друзьями.Однако вы бы солгали, если бы сказали, что любите все породы собак одинаково. Ознакомьтесь со списком ниже, чтобы узнать больше о своей личности на основе вашей любимой породы собак (Фото Ричарда Брутио на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

1. Лабрадор ретривер: Если вы больше всего любите лабрадоров, вы спокойны, круты, собранны и даже расслаблены. Владельцы и любители лабрадоров-ретриверов гостеприимны. Вы не относитесь к жизни слишком серьезно и всегда держите подбородок высоко.Вы добры и нежны по своей природе, что заставляет людей терять бдительность вокруг вас. (Фото Бена Хансона на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

2. Далматинец: для любителей далматинцев мир - это их устрица, поскольку они жаждут открывать для себя новые вещи и переходить от круга к кругу. Вы всегда полны удивительных историй, которые можете рассказать своим друзьям и семье, поскольку вы всегда гонитесь за своей мечтой или новым большим приключением, но у вас также есть более спокойная и чувствительная сторона, тонкий аспект, с которым невозможно бороться.(Фото Майкла Уолка на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

3. Золотистый ретривер: Любовь к ним означает только то, что вы настолько дружелюбны, насколько это возможно. Золотистый ретривер - самые дружелюбные собаки на планете. Вы хорошо общаетесь со всеми типами людей и являетесь открытым человеком, который всегда ищет новых друзей (фото Джастина Айкина на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

4.Пудель: Вы излучаете уверенность, особенно в своей походке, что может заставить людей думать, что вы надменны, но вы тоже знаете, как распустить волосы и хорошо провести время. Слабость к пуделям означает, что вы одновременно уверены в себе и общительны, помимо того, что вам нравится быть в центре внимания. (Фото Элисон Панг на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

5.Хаски: Никто из тех, кто прославился как бездельник, вы можете делать все самостоятельно и снимать стресс, оставаясь активным.Любители собак хаски - целеустремленные, прирожденные лидеры, обладающие сильной волей и не испытывающие проблем, показывая другим путь или добиваясь того, чего они хотят в жизни. (Фото photo nic на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

6. Мопсы: Как любитель мопсов, вы невероятно обаятельны и умны, энергичный шар и родственный дух, который любит играть, обниматься и ловить свой прекрасный сон, но чтобы уравновесить личность, вы иногда можете быть упрямыми и можете '' не сдвинуться с места, когда вы приняли решение.(Фото Инди Палмер на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

7. Немецкая овчарка: Вы сильны, надежны и часто действуете как маяк, который помогает увести людей домой. Поклонники породы немецкая овчарка считаются сильным лидером благодаря своей спортивной и умной стороне. Ваша защитная природа делает людей навсегда преданными вам. (Фото Кейтлин МакМиллан на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

/

8.Бигль: Привет, ты беспечный человек. Вам нелегко скучать, но ваши шалости часто приводят к неприятностям. Любители гончих любят узнавать новое, временами могут быть излишне любопытными и знают, чем занять себя. (Фото Паоло Хуана на Unsplash)

ОБНОВЛЕНО 27 АВГУСТА 2021 г. 12:34 IST

Создайте свой первый проект компьютерного зрения - Классификация пород собак | by Tuan Nguyen

Начните создавать свой первый проект компьютерного зрения менее чем за 30 минут.

Фото Джо Кайоне на Unsplash

Для нас, людей, довольно легко отличить одну породу собак от другой. Это если вы говорите о 10–20 популярных породах собак. Когда мы говорим о более чем 100 видах собак, это совсем другая история. Чтобы человек мог правильно и последовательно классифицировать большое количество пород, нам нужен другой подход, чем чистое запоминание. Нам нужно начать извлекать «черты», соответствующие разным породам, такие как цвет шерсти, форма ушей, форма лица, длина хвоста и т. Д.Даже в этом случае нам нужно запомнить, какая порода и какие особенности имеют, и это непростая или увлекательная задача.

Изображение предоставлено: сложно классифицировать большое количество пород собак.

Люди, испытывающие трудности с определением большого количества видов, являются прекрасным примером ситуаций, в которых компьютеры лучше нас. Это не означает, что Скайнет идет убить всех нас; Я считаю, что нам пока не стоит об этом беспокоиться. Вместо того, чтобы машины заменяли людей в рабочей силе, многие считают, что гибридный подход двух рас, работающих вместе, может превзойти любую отдельную гонку, работающую в одиночку.Вы можете прочитать больше по этой теме в книге Эндрю Макафи под названием Machine, Platform, Crowd.

В этом проекте я расскажу вам, как построить и обучить сверточную нейронную сеть (CNN), которая классифицирует 133 разные породы собак. Этот проект является частью моей работы с Data сайтом Nanodegree, и вы можете узнать о нем больше здесь. Код этого проекта доступен в моем репозитории GitHub, убедитесь, что вы установили необходимые пакеты, если хотите следовать.

Как компьютер распознает изображение

Мы очень хорошо умеем распознавать вещи благодаря миллионам лет эволюции, которая ушла на совершенствование наших глаз и мозга для улучшения зрения.Компьютер «видит» изображение как серию чисел. Пиксель на вашем экране представлен тремя числами от 0 до 255. Каждое число представлено как интенсивность красного, зеленого и синего цветов. Изображение 1024 * 768 можно представить как матрицу 1024 * 768 * 3, эквивалентную серии из 239 616 чисел.

Изображение предоставлено: изображение, представленное числами

Традиционно компьютеру сложно распознать или классифицировать объект на изображении. Благодаря недавним достижениям в области вычислительной мощности и исследований нейронных сетей, компьютеры теперь могут иметь возможность человеческого зрения для решения многих конкретных задач.

Что такое нейронная сеть

Есть много замечательных ресурсов, объясняющих, что такое нейронная сеть. Вот мое любимое объяснение, заимствованное из этого поста:

Нейронные сети

состоят из следующих компонентов:

  • Входной уровень , x
  • Произвольное количество скрытых слоев
  • Выходной слой , ŷ
  • Набор весов и смещений между каждым слоем, W и b
  • Выбор функции активации для каждого скрытого слоя, σ .В этом руководстве мы будем использовать функцию активации сигмовидной формы.

На схеме ниже показана архитектура двухуровневой нейронной сети ( обратите внимание, что входной уровень обычно исключается при подсчете количества слоев в нейронной сети )

Кредит изображения: упрощенная архитектура нейронной сети

Объяснение в Подробная информация о том, как работает нейронная сеть, выходит за рамки этого поста. На Medium можно найти множество отличных статей, объясняющих, как работает нейронная сеть. Для нашего проекта классификации собак нашим входным слоем будет изображение собаки, представленное числами.Скрытые слои будут состоять из множества слоев с весами и смещениями, которые будут обновлены при обучении модели. Результатом будет серия вероятностей для каждой из наших 133 пород собак.

Хотя существуют разные архитектуры нейронных сетей для различных задач машинного обучения, сверточная нейронная сеть (CNN) является наиболее популярной для задач классификации изображений.

Что такое сверточная нейронная сеть

CNN - это архитектура нейронной сети, которая обычно используется для задач классификации изображений.Типичная архитектура включает в себя входной уровень, несколько сверточных слоев, за которыми следует уровень объединения, полностью связанный уровень (FC) и выходной уровень. Вы можете прочитать более подробное объяснение CNN здесь и здесь.

Изображение предоставлено: Архитектура CNNImage Кредит: Визуализация сверточного слоя

Что такое трансферное обучение

Передаточное обучение позволяет использовать знания, полученные при решении одной проблемы, и применять их к другой, но связанной проблеме.

Современные сверточные сети обучаются на огромных наборах данных, таких как ImageNet, и на это уходит несколько недель. Поэтому в большинстве случаев вы не хотите обучать новую ConvNet самостоятельно.

Существует множество известных предварительно обученных моделей, таких как VGG-16, ResNet-50, Inception, Xception и т. Д. Эти модели были обучены на большом наборе данных, и вы можете использовать этапы извлечения признаков и применять их. как экстракторы функций для вашей конкретной проблемы. Вы можете узнать больше о трансферном обучении здесь.

Изображение предоставлено: Визуализация архитектуры трансферного обучения

Получение данных

Вы можете скачать набор данных здесь. Набор данных содержит 8 351 изображение собак, 133 породы собак, которые были разделены на 6 680 изображений для обучения, 836 изображений для тестирования и 835 изображений для проверки.

Обратите внимание, что вам следует следовать этому руководству, если у вас графический процессор NVIDIA. Обучение на CPU занимает много времени. Кроме того, вы можете бесплатно использовать Google Colab здесь.

Загрузка словарей пар ключ-значение меток и путей к файлам может быть выполнена следующим образом:

  из   sklearn.наборы данных   import  load_files 
from keras.utils import np_utils
import numpy as np
from glob import glob # define function , тестовые и проверочные наборы данных
def load_dataset (path):
data = load_files (path)
dog_files = np.array (data ['filenames'])
dog_targets = np_utils.to_categorical (np.array (data ['target']), 133)
return dog_files, dog_targets # загрузить наборы данных train, test и validation
train_files, train_targets = load_dataset ('dogImages / train')
valid_files, valid_targets = load_dataset ('dogImages / valid')
test_files, test_targets = load_dataset ('dogImages / test')

Различные изображения могут иметь разные размеры. Следующие коды изменяют размер входного изображения до 224 * 224 пикселей и загружают его в память как numpy series:

  from   keras.предварительная обработка   import  image 
from tqdm import tqdm def path_to_tensor (img_path):
# загружает изображение RGB как PIL.Image.Image type
img = image.load_img (imgize_path, imgize_path, imgize_path, imgize_path, (224, 224))
# преобразовать тип PIL.Image.Image в 3D-тензор с shape (224, 224, 3)
x = image.img_to_array (img)
# преобразовать 3D-тензор в 4D-тензор с shape ( 1, 224, 224, 3) и вернуть 4D тензор
вернуть np.expand_dims (x, axis = 0) def paths_to_tensor (img_paths):
list_of_tensors = [path_to_tensor (img_path) для img_path in tqdm (img_paths)]
return np.vstack (list_of_paths)) данные процесса

Нам необходимо нормализовать наши данные, чтобы исключить единицы измерения. Нормализация может помочь нашей модели лучше сравнивать данные разных масштабов.

  из   PIL   импорт  ImageFile 
ImageFile.LOAD_TRUNCATED_IMAGES = True # предварительно обработать данные для Keras
train_tensors = paths_to_tensor (train_files) .astype ('float32') / 255
valid_tensors = paths_to_tensor (valid_files) .astype ('float32' test) .astype ('float32' test) .astype ('float32' test). paths_to_tensor (test_files) .astype ('float32') / 255

Данные обучения

Даже людям сложно определить породу собак

Давайте посмотрим на некоторые из наших данных. Наш пример показывает, что точно определить породу собаки непросто даже для человека.Есть множество других реальных факторов, которые могут повлиять на нашу модель:

  • Условия освещения: различных источников света изменяют способ отображения цветов
  • Ориентация объекта: наши собаки могут помочь во многих различных позах
  • Рамка изображения: портретная рамка крупным планом сильно отличается от кадра полного тела
  • Недостающие черты: На фотографии показаны не все черты собаки

Таким образом, традиционные методы были невозможны для развития компьютерного зрения задания.Давайте посмотрим, что мы можем сделать с CNN и трансфертным обучением.

Архитектура модели

Создание CNN с помощью Keras просто. Вы можете определить архитектуру своей модели с помощью следующего кода.

  из   keras.layers   import  Conv2D, MaxPooling2D, GlobalAveragePooling2D 
из keras.layers import Dropout, Flatten, Dense
из Последовательный импорт keras.models ()
модель.add (Conv2D (Filters = 16, kernel_size = 2, padding = 'same', activate = 'relu', input_shape = (224,224,3)))
model.add (MaxPooling2D ())
model.add (Conv2D (filters = 32, размер ядра = 2, padding = 'same', activate = 'relu'))
model.add (MaxPooling2D ())
model.add (Conv2D (filters = 64, kernel_size = 2, padding = 'same', Activation = 'relu'))
model.add (MaxPooling2D ())
model.add (GlobalAveragePooling2D ())
model.add (Dense (133, Activation = 'softmax')) model.summary ()

Наш примитив Архитектура модели имеет входной слой с формой 224 * 224 * 3.Затем входные данные подаются на два сверточных слоя, за которыми следует слой максимального объединения (для понижающей дискретизации). Затем выходные данные подаются на уровень глобального среднего пула, чтобы минимизировать переобучение за счет уменьшения количества параметров. Выходной слой возвращает 133 вероятности для наших пород.

Изображение предоставлено: Визуализация объединяющих слоев, таких как MaxPooling и AveragePooling Краткое изложение нашей примитивной модели

Метрики

В этом проекте наша цель - правильно предсказать породу изображения нашей собаки.Таким образом, мы используем точность как критерий выбора для улучшения нашей модели после каждой итерации. Точность - это просто то, сколько раз наша модель правильно предсказывает породу собаки.

Скомпилируйте и обучите модель

Затем необходимо будет скомпилировать нашу модель. Мы используем rmsprop в качестве нашего оптимизатора, ategorical_crossentropy, как функцию потерь и точность как нашу метрику.

 model.compile (optimizer = 'rmsprop', loss ='ategorical_crossentropy ', metrics = [' precision ']) 

Затем мы можем обучить модель с помощью следующих кодов:

  from   keras.обратные вызовы   import  ModelCheckpointepochs = 5checkpointer = ModelCheckpoint (filepath = 'saved_models / weights.best.from_scratch.hdf5', 
verbose = 1, save_best_only = True ) model.fit (train_tar_tensation, train_tensation_tensors, train_tensation_tensors, train_tar_tensation valid_targets),
epochs = epochs, batch_size = 20, callbacks = [checkpointer], verbose = 1)

С пятью эпохами и примерно восемь минут , мы достигли точности 3,2297% , лучше, чем случайный угадывание (1/133 = 0.75%).

Хотя наша модель работает намного лучше, чем случайное угадывание, модель 3,2297% в действительности бесполезна. Обучение и настройка нашей модели для достижения значимой точности требует много времени, большого набора данных и больших вычислительных ресурсов. К счастью, мы можем использовать переносное обучение, чтобы сократить время обучения без ущерба для точности.

Получение узких мест

Keras предлагает следующие предварительно обученные современные архитектуры, которые можно использовать за считанные минуты: VGG-19, ResNet-50, Inception и Xception.В этом проекте мы будем использовать ResNet-50, но вы можете попробовать и другую архитектуру самостоятельно. Следующий код загружает предварительно обученную модель и загружает узкие места.

  импорт   запросов  
url = 'https://s3-us-west-1.amazonaws.com/udacity-aind/dog-project/DogResnet50Data.npz'
r = requests.get (url) с открытым ('bottleneck_features / DogResnet50Data.npz', 'wb') как f:
f.write (r.content) bottleneck_features = np.load ('bottleneck_features / DogResnet50Data.npz ')
train_Resnet50 = bottleneck_features [' train ']
valid_Resnet50 = bottleneck_features [' valid ']
test_Resnet50 = bottleneck_features [' test ']

Архитектура модели

С предварительно обученной моделью ResNet-50 мы создаем нашу полностью -связанные (FC) слои со следующими кодами. Мы также добавляем два слоя исключения, чтобы предотвратить переоснащение.

 Resnet50_model = Sequential () 
Resnet50_model.add (GlobalAveragePooling2D (input_shape = train_Resnet50.shape [1:]))
Resnet50_model.add (Dropout (0.3))
Resnet50_model.add (Dense (1024, activate = 'relu'))
Resnet50_model.add (Dropout (0.4))
Resnet50_model.add (Dense (133, activate = 'softmax'))
Resnet50_model.summary ()
Наша архитектура модели с использованием трансферного обучения выглядит так:

Производительность модели

Используя трансферное обучение (ResNet-50), с двадцать эпох и менее двух минут , мы достигли точности теста 80,8612% . Какое фантастическое улучшение по сравнению с нашей примитивной моделью.

Используя модель, описанную выше, я создал небольшое приложение командной строки. Если вы введете изображение собаки, приложение предскажет породу. Если вы введете изображение человека, скажем, одного из ваших друзей, приложение предскажет наиболее подходящую породу собак. Если собака или человек не представлены, приложение выдаст ошибку. Вы можете следовать инструкциям в файле README.md в моем репозитории GitHub.

В этом проекте я познакомлю вас с некоторыми основными концепциями , которые вам необходимо знать для создания вашего первого проекта компьютерного зрения.Я объяснил , как компьютеры понимают изображения , кратко рассмотрев, что такое нейронная сеть , сверточная нейронная сеть , и с передачей обучения .

Мы также построили и обучили архитектуру CNN с нуля , а также применили трансферное обучение , чтобы значительно повысить точность нашей модели с 3,2% до 81%. Во время работы над проектом я был очень впечатлен тем, как можно использовать переносное обучение для повышения точности при значительном сокращении времени обучения.Вот некоторые прогнозы наших моделей:

Некоторые прогнозы нашей модели

Если у меня будет больше времени, вот несколько будущих разработок для этого проекта:

  • Дополнительные данные: Текущая реализация принимает только стандартные изображения в качестве входных данных. В результате модель может быть недостаточно надежной в реальном контексте. Я могу дополнить обучающие данные, чтобы наша модель была менее подвержена чрезмерной подгонке. Я могу сделать это, произвольно обрезая, переворачивая, вращая обучающие данные, чтобы создать больше обучающих выборок.
  • Настроить модель: Я также могу настроить гиперпараметры модели для достижения большей точности. Некоторые потенциальные гиперпараметры для настройки включают оптимизатор, функцию потерь, функцию активации, архитектуру модели и т. Д. Я также могу использовать GridSearch из Sklearn с Keras.
  • Попробуйте другие модели: В этом проекте я попытался обучить модель на VGG-16 и ResNet-50. Следующим шагом может быть попытка обучения моделей с использованием разных архитектур, а также изменение архитектуры наших полностью связанных слоев.
  • Создание веб-/ мобильного приложения: Я также могу создать веб-приложение или мобильное приложение, используя эту модель для развлечения.

Спасибо за чтение, надеюсь, вы кое-что узнали 🙂

50 самых популярных пород собак в Америке

Кто не любит игривого щенка? А с 360 различными породами собак по всему миру, не говоря уже о 190 в Соединенных Штатах, есть собака на любой вкус. На самом деле, существует так много видов четвероногих друзей, что Американский клуб собаководов проанализировал свою последнюю статистику регистрации за 2019 год, чтобы найти самые популярные породы в стране.Вот милые собаки, от милых корги до высоких датчан, которых вы захотите усыновить как можно скорее. А чтобы увидеть еще больше очаровательных собак, посмотрите эти 30 фотографий, которые показывают, почему пожилые собаки самые лучшие.

Shutterstock

Ни у одной собаки нет более привлекательных замков, чем у английского кокер-спаниеля. Даже Пантене гордился бы.

Shutterstock

Эти кудрявые милашки также являются отличными товарищами на рыбалке и любят играть в воде (отсюда и их название). А чтобы узнать больше о том, как собаки делают жизнь лучше, ознакомьтесь с 15 удивительными жизненными уроками, которые вы можете извлечь у своей собаки.

Shutterstock

Еще в 90-е годы Бетховен украл наши сердца. И теперь каждый хочет одного из этих нежных гигантов в своей семье.

Shutterstock

Акиты имеют древнее японское происхождение, поэтому они такие величественные. А чтобы увидеть еще более очаровательных щенков, посмотрите эти 27 драгоценных фотографий собак и младенцев, которые растопят ваше сердце.

Shutterstock

Ретривер из Чесапикского залива имеет прочную водонепроницаемую шерсть, которая отличает их от своих собратьев, но при этом у них такое же дружелюбное отношение, которое вы ожидаете от всех ретриверов.

Shutterstock

Шиба - самая популярная собака в Японии, и она быстро стала популярной и в Америке. Вы только посмотрите на эту счастливую улыбку!

Shutterstock

Эти маленькие гончие, известные как вести, представляют собой маленькие солнечные шары. А чтобы еще больше уютных щенков, подпишитесь на нашу ежедневную рассылку новостей.

Shutterstock

Бишоны фри из-за своего пушистого меха выглядят как маленькие хлопковые клубки. Они особенно любят выставлять свои вещи перед грумером.

Shutterstock

Нетрудно понять, как эта порода получила свое название.У собак есть отчетливый гребень или полоса растущей назад шерсти вдоль позвоночника. Они возникли в Африке как собаки-следопыты и являются быстрыми, сильными бегунами, а также игривыми приятелями.

Shutterstock

Вы захотите стать лучшими друзьями с Малом; эти верные щенки любят быть рядом с людьми.

Shutterstock

С первого взгляда можно спутать новичка с медведем. Но этот массивный щенок, как известно, особенно мил и заботится о маленьких детях.

Shutterstock

Этот немецкий пёс, прозванный «серым призраком», умён и быстр, особенно когда он тренируется или охотится со своими хозяевами.

Shutterstock

Лесси - одна из первых и самых известных пушистых подруг, прорвавшихся в поп-культуру. А теперь ты можешь взять с собой и этого длинноволосого пастуха.

Shutterstock

Вы могли заметить бассета за милю благодаря их большим гибким ушам, которые практически касаются земли.

Shutterstock

Эти стильные щенки привлекают внимание своим мехом до пола. Семьям также нравится наряжаться в луки и аксессуары.

Shutterstock

Чихуахуа могут быть достаточно крошечными, чтобы поместиться в вашей сумочке, но у них огромное сердце и большая личность.

Shutterstock

Эта великолепная собака золотистого окраса была выведена как компаньон на охоте, и сегодня они любят много активности, включая бег и тренировки.

Shutterstock

Невероятно умные, но добрые и милые бордер-колли - лучшее из обоих миров!

Shutterstock

Мастифы коренастые и иногда могут перевесить даже взрослого человека. Но не позволяйте их размеру вводить вас в заблуждение - они послушные чародеи.

Shutterstock

У мопсов может быть забавная мордашка, но это делает их еще более очаровательными.А если вам нужны более причудливые собаки, посмотрите 13 «уродливых» собак, которые действительно просто очаровательно уникальны.

Shutterstock

Вы можете проследить родословную этой собаки до древних римских времен. Фактически, имя кане корсо означает «собака-телохранитель» на латыни, что объясняет, почему они такие великие защитники.

Shutterstock

Эти мини-пастухи - одни из самых трудолюбивых работников. Они также подвижны и легко обучаются.

Shutterstock

Как можно не обожать кокер-спаниелей с их добрыми глазами и очень мягкими ушами?

Shutterstock

Не путать со своим двоюродным братом, английский спрингер-спаниель крупнее и у него более короткие волосы.

Shutterstock

Эти рыжие собаки олицетворяют спорт, их можно встретить бегающими по полям или любому ландшафту, где вы позволяете им размять ноги.

Shutterstock

Представьте себе компактного колли, и у вас есть шетландская овчарка. Шелти - супер-умный приятель, приехавший с шотландских островов.

Shutterstock

Несложно понять, почему этих собак называют помпонами. У некоторых так много волос, что их мордашки едва видны!

Shutterstock

Бернские зенненхунды - идеальное дополнение для семьи благодаря своему легкомысленному и дружелюбному характеру.

Shutterstock

Гаванцы - живые, общительные существа, единственная порода, обитающая на Кубе.

Shutterstock

Этих щеголеватых собак можно узнать по сочетанию бело-черного цвета, напоминающему смокинг. Бостонские терьеры также обладают прекрасными манерами, за что получили прозвище «американский джентльмен».

Shutterstock

Не произносите название породы слишком быстро, иначе вы можете взглянуть искоса. Но, несмотря на свое довольно веселое имя, Ши-тцу - забавные человечки, и с ними приятно находиться.

Shutterstock

Благородный доберман - одна из самых достойных собак в мире. Помимо того, что они верные опекуны, они также умные и дружелюбные домашние животные.

Shutterstock

Миниатюрные шнауцеры могут выглядеть так, как будто у них дедовское лицо, с седыми волосами, густыми бровями и длинной белой бородой, но из-за этого они тем более очаровательны.

Shutterstock

Конечно, датские доги примерно такого же роста, как лошадь, но они настоящие бездельники. Лучшего приятеля вы не найдете!

Shutterstock

У этой британской породы мечтательные круглые глаза, в которых можно легко раствориться.

Shutterstock

Хаски внешне напоминают своих предков-волков, с ледяными голубыми глазами и белоснежно-черной шерстью. Удивительно наблюдать, как эти мощные ездовые собаки мчатся по тундре в своей стихии, а также приятно свернуться с ними дома.

Shutterstock

Хотя название может заставить вас поверить в то, что они бойцы, боксеры терпеливы и игривы, особенно с детьми.

Shutterstock

Аусси - одна из самых красивых пород.У них часто бывает много разных оттенков шерсти и может быть два разных цвета глаз, как показано на фото этого щенка.

Shutterstock

Если вам нужна крошечная собачка, обратите внимание на доброго Йорка.

Shutterstock

Этих очаровательных щенков часто называют собачками, потому что их длинные стройные тела напоминают хот-доги.

Shutterstock

Corgis снова стал популярным. И кто мог их винить? Посмотрите на их ножки и тельца, похожие на буханку!

Shutterstock

Pointers почти кажутся королевскими с их фирменным прямым хвостом и тонкой рамкой.

Shutterstock

Не пугайтесь сильной, а иногда и властной внешности ротвейлера. Внутри они полнейшие твари!

Shutterstock / kobkik

Кто бы не хотел, чтобы Снупи был домашним животным? Бигль - лучший друг.

Shutterstock

Если вы выбираете собаку в первую очередь, то пудель - самый эффектный выбор.

Shutterstock

Этот массивный бульдог с морщинистыми мордами и сутулыми плечами - храбрая и добрая собака.

iStock

Французы - любимцы горожан, живущих в небольших квартирах. Но с их купированными хвостами, мягкими ушами и морщинистыми лицами они милы независимо от того, где вы живете!

Shutterstock

Вы можете поблагодарить Air Bud за то, что золотистый ретривер стал культовой американской собакой. Их мягкий дух и беззаботная улыбка - лишь некоторые из многих причин, по которым их любят.

Shutterstock

Немецкие овчарки популярны как в полиции, так и в семьях.Помимо того, что они совершенно красивы, они также умны, верны и нежны.

Shutterstock

Независимо от того, есть ли у вас черный, шоколадный или желтый, Labs - идеальные компаньоны для собак. Они счастливы в любой обстановке - от озера до вашей гостиной - и никогда не встречали человека, с которым не сразу подружились бы. А если вы еще больше счастливы, посмотрите эти 40 фотографий щенков, которые вызовут улыбку на вашем лице.

20 французских пород собак - Список с фотографиями и информацией

Франция славится своей богатой историей и культурой.Их гастрономическое влияние огромно, их литература переводится по всему миру, и они были центром многих великих художников. Однако не все будут так же знакомы с их влиянием на собачью культуру . Это начинает меняться, поскольку такие породы, как французский бульдог, становятся популярными во всем мире.

Возможно, легко узнать французского бульдога как французскую породу по его названию, но известно, что более 40 пород собак возникли на территории Франции.К сожалению, многие из них вымерли по разным причинам. AnimalWised представляет вам 20 самых популярных французских пород собак , сохранившихся до сих пор. Мы предоставляем фотографии и информацию об их характере и характеристиках.

1. Барбет

Мы начинаем наш список популярных французских пород собак с Barbet , водяной собаки среднего размера. Водяные собаки известны своей способностью плавать. Они часто используются в профессиях, основанных на воде или вокруг воды, например, в качестве собак-спасателей.

Тело Барбета хорошо подходит для водных задач, поскольку у него крепкое телосложение с длинным шерстяным и кудрявым мехом, похожим на пуделя. У них густой густой подшерсток, который защищает их от холода. Есть некоторые разногласия по поводу их происхождения, но барбет считается французской собакой. Отчасти загадка их происхождения связана с тем, что они являются одной из старейших европейских пород собак, если не самой старой.

2. Пудель

Стандартный пудель - одна из самых популярных пород собак в мире и, возможно, самая популярная французская порода собак в этом списке.Хотя они выделяются своим очаровательным внешним видом, следует помнить, что они являются одними из самых умных пород собак в мире. Они особенно чувствительны к своим человеческим опекунам и имеют предрасположенность к тренировкам.

Одна из их основных характеристик - вьющаяся шерсть. Это требует определенного ухода для обслуживания , но многие также выбирают стрижку и уход в различных стилях для демонстрационных целей.

3 Бассет-хаунд

Несмотря на свое несчастное лицо, бассет-хаунды - одна из самых нежных и довольных французских пород собак.Они являются частью группы из гончих пород , которые возникли в Сен-Юбер в регионе Лотарингия во Франции. Некоторые теории утверждают, что бассет произошел от более мелких собак, выведенных из помесей французских гончих. Другие утверждают, что они происходят от определенных линий бладхаундов. Что известно наверняка, так это то, что слово Basset происходит от французского слова «bas», что означает «низкий» из-за их непосредственной близости к земле.

Эти собаки быстро распространились по Европе, считаются одной из самых эффективных французских охотничьих пород собак .Однако впоследствии они стали более популярными как животные-компаньоны. Их характерный «грустный» вид на протяжении всей истории делал их популярными в мультфильмах и культурных изображениях. В Америке они известны как талисманы производителя обуви Hush Puppies, поэтому многие называют эту породу «тихим щенком».

Эти драгоценные гончие намного больше, чем их внешний вид . Их мощный нос делает их образцовыми охотниками на тропах. Как собаки-компаньоны они выделяются своим преданным и веселым характером и считаются одними из самых тихих собак.Несмотря на свой замечательный охотничий инстинкт, они прекрасно уживаются с домашними животными и детьми, если хорошо социализированы.

4. Французский бульдог.

Французский бульдог, также известный как «француз», - одна из самых популярных французских малых пород собак. . Их маленькое, но крепкое и пухлое тело происходит от английских бульдогов. Они добродушны, общительны, игривы и ласковы, что помогает нам быстро понять, почему эти «ушастые» собаки являются такими любимыми товарищами.

Однако важно помнить, что эти собаки требуют много внимания и очень нуждаются в компании, если они хотят поддерживать уравновешенный характер. Французский бульдог, проводящий слишком много времени самостоятельно, разовьет деструктивное поведение и тревогу разлуки. Поэтому, если вы проводите много времени вдали от дома или ведете очень независимую жизнь, это может вам не подойти.

Кроме того, важно помнить, что это брахицефальных собак , которые нуждаются в особом уходе для сохранения хорошего здоровья.Это также помогает предотвратить распространенные болезни французского бульдога.

5. Папийон

Папийон - одна из самых изысканно выглядящих маленьких французских пород собак . У них изящная манера поведения и плавная походка, одна из причин, по которой они считаются одной из самых элегантно выглядящих собак в мире. Они умны и активны, а также ласковы и экстравертированы в своей семье, даже если не особенно общительны с незнакомцами. Название происходит от их характерной формы головы, которая похожа на бабочку с распростертыми крыльями.

Конечно, мы должны помнить, что поведение каждой собаки будет зависеть от их образования и среды, предоставляемой их опекунами. Если мы хотим общительную и послушную собаку папийона, нам нужно уделять особое внимание их дрессировке и ранней социализации.

6. Бордоский дог

Мало что известно о происхождении бордоских дог, но предполагается, что их предки были завезены кельтами французским. Первый зарегистрированный образец этой французской породы собак датируется 14 веком, периодом, когда они в основном использовались для охоты на крупных животных и для защиты.К сожалению, бордоский мастиф (как его иногда называют) также использовался в качестве бойцовой собаки до запрещения этого вида деятельности в 19 веке.

Бордоский мастиф выделяется как крупная французская порода собак с очень крепким телосложением и хорошо развитой мускулатурой. Их голова бросается в глаза, а кожа морщится при внимательном взгляде. Их внушительный внешний вид противоречит добродушной, чувствительной и спокойной собаке, верной своей человеческой семье.

Однако из-за своего физического строения и мощной челюсти бордоский дог в некоторых странах считается потенциально опасной собакой.Хотя их морфология не определяет их поведение, мы должны помнить, что эти собаки должны быть хорошо образованы и социализированы с раннего возраста. Вот почему они лучше подходят более опытным владельцам собак, у которых есть время и терпение, необходимые для ведения довольной жизни.

7. Бриар

Бриар считается редкой породой собак за пределами своей родной Франции. Однако, когда их заметят, легко увидеть их привлекательность, поскольку они имеют привлекательную длинноволосую внешность.Это большая собака с прямоугольным телом, деревенской внешностью и хорошо развитой мускулатурой. У них длинный сухой мех грубой текстуры , который иногда называют «козьей шерстью». Обычно на классических фотографиях собак породы бриар видно их морду и глаза, частично прикрытые длинной челкой.

По характеру можно сказать, что бриар - активная, игривая и преданная собака. Они уравновешены и очень безопасны сами по себе. Поскольку они защищают свои семьи и преданы им, особенно с детьми, они могут быть несколько застенчивыми и подозрительными по отношению к незнакомцам.Еще одна причина, по которой так важно социализировать щенков, чтобы они могли позитивно взаимодействовать с другими животными и людьми.

Как указывает их оригинальное французское имя Пастор де Бри , эти пушистые парни происходили из региона Бри во Франции. Кроме того, об их точном происхождении мало что известно. Считается, что это одна из старейших французских пород собак , вероятно, произошедших от старых пастушьих собак из парижских бассейнов.

8.Grand Bleu de Gascogne

Родом из французского региона Гаскони, мало известен в других европейских странах . Во Франции это одна из самых популярных охотничьих собак. Это гончая собака с большим и иногда внушительным внешним видом. У них сильная мускулатура, длинные и сильные ноги и длинные висячие уши.

Благодаря высокоразвитому обонянию и физическому строению, исторически это была охотничья собака в стае. Впоследствии, благодаря своему преданному, безмятежному и благородному характеру, они превратились в любимых собак-компаньонов.

Однако у них сильный лай, и нам нужно обратить особое внимание на их образование и социализацию , чтобы предотвратить навязчивый лай. Опять же, они не рекомендуются для наставников без предыдущего опыта владения собакой.

9. Босерон

Босерон иногда называют Berger de Beauce , что означает овчарку из региона Босе . Это большая французская собака с деревенской внешностью и мускулистым телом.У них короткая и плотная шерсть, часто черно-подпалая, но также может быть в стиле мрамор-мерль. Первая зарегистрированная собака этой породы была зарегистрирована во Франции в 1893 году.

Их имя происходит от места их происхождения, а именно от равнин недалеко от Парижа, известных как Le Beauce . Первоначально они работали полевыми работниками. Это включало все: от содержания стада до защиты земель от браконьеров. Впоследствии они сопровождали французскую армию в обеих мировых войнах.

Несмотря на то, что собаки босерона мало известны за пределами Франции, собак очень умные, энергичные и уверенные в себе животных. Они очень привязчивы и преданы своей семье, но могут быть сдержанными с незнакомцами.

10. Великие Пиренеи

Также известная как Пиренейский зенненхунд , последняя собака в нашем списке популярных французских собак, пожалуй, самая «неоднозначная». Споры возникают из-за того, являются ли они изначально французскими.Это потому, что они происходят из горных Пиренеев, граничащих с Францией и Испанией. По этой причине некоторые могут считать их франко-испанской собакой , а не исключительно французской.

Тем не менее, будет справедливо сказать, что Великие Пиренеи сохранили особую популярность во Франции и даже зашли так далеко, что были объявлены королевской собакой французского двора Людовика XIV. Он был особым поклонником красоты и характера этой породы.

В настоящее время Великие Пиренеи стали популярными собаками-компаньонами, но все еще используются в качестве пастушьих собак в некоторых горных регионах Франции и Испании.Они защитные, лояльные и в некоторой степени независимые, что демонстрирует отличную предрасположенность к обучению различным задачам и функциям.

Из-за своего большого размера, Великие Пиренеи нуждаются в доме на , много места, и достаточно еды, чтобы поддерживать их оптимальное питание. Кроме того, их густую шерсть нужно чистить два или три раза в неделю, чтобы шерсть оставалась здоровой. Вот почему они не очень хорошо переносят жару.

Еще французские породы собак

В дополнение к вышеупомянутым волосатым породам, существует еще других пород французских собак , которые менее известны за пределами галльских земель.Ниже мы перечисляем некоторые другие породы собак, которые возникли во Франции и обладают замечательными качествами в качестве служебных, охотничьих собак или домашних животных:

  • Французский спаниель
  • Braque Francais (французский пойнтер)
  • Griffon Bleu de Gascogne
  • Бретаньская собака
  • Basset Fauve de Bretagne
  • Griffon Fauve de Bretagne
  • Braque Saint-Germain
  • Grand Anglo-Francais Tricolore
  • Braque de Bourbonnai
  • Poitevin (Chien de Haut-Poitou)

Эти большие французские породы собак относятся к small , в зависимости от конкретного животного.Вы можете сами увидеть различия на фотографиях ниже. Если вы хотите узнать больше о различных европейских породах собак, прочтите нашу статью о различных итальянских породах собак.

Если вы хотите прочитать статьи, похожие на Французские породы собак , мы рекомендуем вам посетить нашу категорию «Что вам нужно знать».

Какая порода моя собака? (4 способа узнать)

Вы когда-нибудь задумывались: «Какой породы моя собака?»

От удовлетворения вашего любопытства до лучшего понимания своего питомца, чтобы вы могли обеспечить индивидуальный уход, есть несколько преимуществ, чтобы выяснить, какие породы составляют вашу загадочную смесь.

Ваш ветеринар (или персонал приюта, если вы усыновили) может поделиться своими идеями о происхождении вашего щенка. Но если судить только по визуальным сигналам, даже эксперты неправильно определяют породу собаки примерно в 75% случаев.

Итак, в этом посте вы узнаете четыре метода определения породы вашей собаки.

1. Сравните физические характеристики вашего щенка с другими породами.

Пытаясь определить породу собаки, большинство людей начинают с поиска. Такой подход довольно прост и требует лишь немного времени и исследований.Но это, конечно, не самый точный способ определить породу вашего щенка.

В конце концов, внешний вид может вводить в заблуждение из-за того, как собаки наследуют черты. А это означает, что даже эксперты могут ошибаться - как это сделала д-р Анджела Хьюз, предсказывая состав породы Тоби на видео ниже.

Если вы хотите попробовать свои силы в визуальной идентификации, составьте список заметных физических характеристик вашей собаки, также называемых «фенотипом», таких как:

  • Форма и длина головы, морды (например,г., короткие и плоские, узкие и заостренные)
  • Форма уха и осанка (например, заостренные и прямостоячие, складчатые или опущенные)
  • Тип хвоста (например, естественно подстриженный, длинный и закрученный)
  • Телосложение и размер (например, , мускулистая и мощная, высокая и стройная)
  • Текстура, цвет, длина и рисунок шерсти (например, жилистая, короткая, плотная, пятнистая)

В общем, вам следует отдавать предпочтение подсказкам в форме вашей собаки (также известной как морфология) по цвету или типу шерсти, потому что первые лучше отражают общее происхождение вашей собаки.С другой стороны, окрасы и типы шерсти являются результатом отдельных генов. А когда у сотен пород одни и те же гены окраски шерсти, угадывать породы становится намного сложнее!

Итак, сначала обратите внимание на форму головы вашей собаки, постановку хвоста, форму и размер ушей. Например, есть ли у вашего щенка:

  • Сильно костяная и блочная голова? Это обычное дело для пород сторожевых собак.
  • Длинный и узкий нос? Вполне вероятно, что колли, немецкая овчарка, такса или доберман.
  • Кудрявый хвост? Это может означать древнюю породу, хотя есть исключения (например,г., померанский шпиц).
  • Высоко посаженные уши? Это, вероятно, исключает такую ​​спортивную породу, как лабрадор ретривер.
  • Увеличенные уши? Подумайте о собаках или спортивных породах (например, спаниели, ретриверы, пойнтеры, сеттеры).

Одна морфология, о которой нужно помнить:

Один ген вызывает короткие ноги, и более 40 пород (не только такса, пемброк-вельш-корги и бассет-хаунд) несут его. Например, ши-тцу, чихуахуа и йоркширский терьер часто несут эту черту.Но большинство людей не принимают во внимание такие породы, когда думают о «коротких ногах».

Помимо вышеперечисленного, обязательно запишите все уникальные черты, а также отличительные черты характера и поведения. Ваша собака любит воду? Пытаются ли они «пасти» людей и других животных? Это отличные подсказки!

Когда у вас есть список, пора заняться расследованием. Начните поиск в Интернете собак, которые подходят вашему щенку. После того, как вы определили несколько потенциальных кандидатов, просмотрите нашу библиотеку пород, чтобы найти факты и фотографии собак, чтобы узнать о них больше.

Гадать по одному лишь взгляду может быть весело, но это не надежно. В конце концов, некоторые генетические черты рецессивны, поэтому ваш щенок может не проявлять видимых признаков каждого предка.

2. Пройдите тест на определение породы собак.

Нет времени на все исследования, необходимые для первого подхода? Онлайн-викторины по породам собак упрощают визуальную идентификацию. Ответив на несколько простых вопросов о внешности и характеристиках вашей собаки, вы получите список возможных совпадений.

Как и в предыдущем случае, викторины основаны на визуальных подсказках. Таким образом, они, вероятно, не смогут определить происхождение на 100% правильно, особенно если в вашем миксе будет несколько пород. Тем не менее, брать их довольно весело.

Существует много подобных викторин. Но, как ведущая в мире служба ДНК собак, мы решили создать свою собственную! Это коротко: вам просто нужно ответить на три вопроса об ушах, хвосте и форме головы вашей собаки.

Пройти викторину по породам собак →

3. Загрузите приложение для определения породы собак.

Есть несколько бесплатных приложений, которые используют алгоритмы машинного обучения для прогнозирования породы собаки на основе фотографии. В результате этот вариант не намного более точен, чем два предыдущих, так как определить породу, основываясь только на внешнем виде, может быть непросто.

Чтобы дать вам представление о том, насколько сложно, вот небольшой тест: Как вы думаете, какая из следующих собак имеет бордер-колли в своем недавнем происхождении?

Правильный ответ - №2. Вы правильно угадали?

Давайте попробуем еще раз: У какой из следующих собак лабрадор ретривер является близким родственником?

Хотите верьте, хотите нет, но правильный ответ - №3.Не уверен насчет вас, но это была наша последняя догадка! И, вероятно, это тоже поставило бы в тупик алгоритм.

Хотя и далекие от совершенства, приложения для определения породы - например, викторины - могут давать забавные результаты. Если вы хотите попробовать этот подход, вот приложение, которое мы опробовали.

4. Используйте тест ДНК собаки.

Приведенные выше методы могут быть интересными. Но если вы действительно хотите быть уверены в макияже породы вашего щенка, на самом деле есть только один выбор: тест ДНК собаки.Этот вариант не учитывает внешний вид вашего щенка и использует генетические подсказки для определения его происхождения.

Для максимальной точности вам понадобится тест с большой базой эталонных образцов. Почему? Поскольку алгоритмы тестирования ДНК сравнивают представленные генетические образцы с другими образцами в базе данных, чтобы определить наилучшее совпадение. Таким образом, больший объем образцов делает тест «умнее». А это означает более надежные результаты.

Используя самую большую базу данных пород собак в мире, Wisdom Panel ™ проверяет более 350 пород, типов и разновидностей.В результате мы можем определять породы, которые другие службы даже не проверяют.

Мы также сообщаем о снижении состава пород до 1%, прослеживаем происхождение трех поколений, проверяем состояние здоровья и черты характера и многое другое!

Узнать больше о тестировании ДНК собак →

Лучший способ определить породу вашей собаки?

Чтобы продемонстрировать различия между этими четырьмя подходами, давайте возьмем Кода, щенка, изображенного выше, в качестве примера.

Как и большинство владельцев собак, родители Коды сначала использовали визуальные и поведенческие подсказки, чтобы угадать происхождение его породы.Они предсказали, что он был смесью:

  • Сибирский хаски (из-за цвета его шерсти и отметин)
  • Лабрадор-ретривер (потому что он любит воду и играть за собак)
  • Немецкая овчарка (из-за своего телосложения)

Next Koda's родители взяли «Что у меня за собака?» викторина, в результате которой были получены следующие результаты по породам:

  • Цвергшнауцер
  • Чесапикский ретривер
  • Лабрадор-ретривер

Как видите, ситуация уже становится немного противоречивой! Но подождите - станет лучше.Приложение «Dog Scanner» предсказало, что Koda представляет собой смесь:

  • Perro de Presa Mallorquin
  • Сибирский хаски
  • Немецкая овчарка
  • Carolina Dog

Стремясь получить более точный ответ, родители Koda, наконец, использовали панель мудрости ™ Премиальный тест ДНК собаки. И после оценки его генетического профиля тест показал, что Кода был частью:

  • Сибирский хаски (26%)
  • Американский стаффордширский терьер (14%)
  • Акита (13%)
  • Лабрадор-ретривер (13%)
  • Золотистый Ретривер (13%)
  • Кишу Кен (6%)
  • Муди (6%)
  • Чау-чау (4%)
  • Белая швейцарская овчарка (2%)
  • Финский лаппхунд (1%)
  • Древер (1 %)
  • Норвежский бухунд (1%)

Как видите, каждый из методов визуальной идентификации правильно угадал или пород.Но некоторые из них упустили другие или даже неверно предсказали некоторые.

Однако ДНК-тест собаки предоставил наиболее полную и точную картину происхождения породы Кода, что позволило его родителям лучше понять его. Внезапно стало ясно, откуда взялись защитные тенденции Коды (Акита, AmStaff). И его плотная шерсть перестала быть загадкой (чау-чау, акита, хаски).

В качестве дополнительных преимуществ тест ДНК Коды исключил опасные для жизни генетические состояния здоровья (уф!) И дал его родителям идеи для занятий и методов тренировок, которые ему понравятся.

13,14. Идентификация породы собак (ImageNet Dogs) на Kaggle - погрузитесь в глубокое обучение 0.17.0 документация

В этом разделе мы попрактикуемся в определении породы собак. на Kaggle. Веб-адрес этого конкурса: https://www.kaggle.com/c/dog-breed-identification

В этом конкурсе будут признаны 120 различных пород собак. В Фактически, набор данных для этого конкурса является подмножеством ImageNet набор данных. В отличие от изображений в наборе данных CIFAR-10 в Раздел 13.13 изображения в наборе данных ImageNet являются и выше, и шире в разных размерах. Рис. 13.14.1 показывает информацию на веб-странице конкурса. Вам нужен Kaggle аккаунт, чтобы отправить свои результаты.

Рис. 13.14.1 Сайт конкурса по определению породы собак. Конкурс набор данных можно получить, щелкнув вкладку «Данные».

 импорт ОС
из mxnet импорт автограда, глюона, инициализации, npx
из mxnet.gluon import nn
из d2l импортировать mxnet как d2l

npx.set_np ()
 
 импорт ОС
импортный фонарик
импорт torchvision
из факела импорт нн
из d2l импортная горелка как d2l
 

13.14.1. Получение и организация набора данных¶

Набор данных соревнований разделен на обучающий набор и тестовый набор, которые содержат 10222 и 10357 изображений JPEG трех (цветных) каналов RGB, соответственно. Среди тренировочных данных 120 пород собак. таких как лабрадоры, пудели, таксы, самоеды, хаски, чихуахуа, и йоркширские терьеры.

13.14.1.1. Загрузка набора данных¶

После входа в Kaggle вы можете щелкнуть вкладку «Данные» в веб-страница конкурса, показанная на рис.13.14.1 и загрузите набор данных, нажав кнопку «Загрузить все». После распаковки загруженный файл в ../data , вы найдете весь набор данных в следующие пути:

  • ../data/dog-breed-identification/labels.csv

  • ../data/dog-breed-identification/sample_submission.csv

  • ../data/dog-breed-identification/train

  • ../data/dog-breed-identification/test

Вы могли заметить, что приведенная выше структура похожа на структуру Конкурс CIFAR-10 в Разделе 13.13, где папки train / и test / содержат изображения собак для обучения и тестирования, соответственно, а label.csv содержит метки для обучения изображений. Точно так же, чтобы облегчить начало работы, мы предоставляем небольшой образец набора данных, упомянутого выше: train_valid_test_tiny.zip . Если вы собираетесь использовать полный набор данных для конкурса Kaggle, вы необходимо изменить demo переменную ниже на False .

 # @ сохранить
d2l.DATA_HUB ['dog_tiny'] = (d2l.DATA_URL + 'kaggle_dog_tiny.zip',
                            '0cb91d09b814ecdc07b50f31f8dcad3e81d6a86d')

# Если вы используете полный набор данных, загруженный для конкурса Kaggle, измените
# указанная ниже переменная в `False`
demo = True
если демо:
    data_dir = d2l.download_extract ('dog_tiny')
еще:
    data_dir = os.path.join ('..', 'данные', 'идентификация породы собаки')
 
 Загрузка ../data/kaggle_dog_tiny.zip с http://d2l-data.s3-accelerate.amazonaws.com/kaggle_dog_tiny.zip ...
 
 # @ сохранить
d2l.DATA_HUB ['dog_tiny'] = (d2l.DATA_URL + 'kaggle_dog_tiny.zip',
                            '0cb91d09b814ecdc07b50f31f8dcad3e81d6a86d')

# Если вы используете полный набор данных, загруженный для конкурса Kaggle, измените
# указанная ниже переменная в `False`
demo = True
если демо:
    data_dir = d2l.download_extract ('dog_tiny')
еще:
    data_dir = os.path.join ('..', 'данные', 'идентификация породы собаки')
 
 Загрузка ../data/kaggle_dog_tiny.zip с http: //d2l-data.s3-accelerate.amazonaws.com/kaggle_dog_tiny.zip ...
 

13.14.1.2. Организация набора данных¶

Мы можем организовать набор данных аналогично тому, что мы делали в Раздел 13.13, а именно разделение проверочного набора из исходного обучающего набора и перемещение изображений во вложенные папки сгруппированы по ярлыкам.

Функция reorg_dog_data ниже считывает метки данных обучения, разделяет проверочный набор и организует обучающий набор.

 def reorg_dog_data (data_dir, valid_ratio):
    метки = d2l.read_csv_labels (os.path.join (каталог_данных, 'labels.csv'))
    d2l.reorg_train_valid (каталог_данных, метки, допустимое_расположение)
    d2l.reorg_test (каталог_данных)

batch_size = 32, если демо, иначе 128
valid_ratio = 0,1
reorg_dog_data (каталог_данных, допустимое_расположение)
 
 def reorg_dog_data (data_dir, valid_ratio):
    метки = d2l.read_csv_labels (os.path.join (каталог_данных, 'labels.csv'))
    d2l.reorg_train_valid (каталог_данных, метки, допустимое_расположение)
    d2l.reorg_test (каталог_данных)

batch_size = 32, если демо, иначе 128
valid_ratio = 0,1
reorg_dog_data (каталог_данных, допустимое_расположение)
 

13.14.2. Увеличение изображения¶

Напомним, что этот набор данных о породах собак является подмножеством набора данных ImageNet, изображения которых больше, чем изображения из набора данных CIFAR-10 в Раздел 13.13. Ниже перечислены несколько изображений. операции дополнения, которые могут быть полезны для относительно больших изображений.

 transform_train = gluon.data.vision.transforms.Compose ([
    # Произвольно кадрируйте изображение, чтобы получить изображение площадью от 0,08 до 1 из
    # исходная площадь и соотношение высоты к ширине от 3/4 до 4/3.Потом,
    # масштабируем изображение, чтобы создать новое изображение 224 x 224
    gluon.data.vision.transforms.RandomResizedCrop (
        224, масштаб = (0,08, 1,0), соотношение = (3,0 / 4,0, 4,0 / 3,0)),
    gluon.data.vision.transforms.RandomFlipLeftRight (),
    # Произвольно изменяйте яркость, контраст и насыщенность
    gluon.data.vision.transforms.RandomColorJitter (яркость = 0,4,
                                                   контраст = 0,4,
                                                   насыщенность = 0,4),
    # Добавить случайный шум
    глюон.data.vision.transforms.RandomLighting (0.1),
    gluon.data.vision.transforms.ToTensor (),
    # Стандартизировать каждый канал изображения
    gluon.data.vision.transforms.Normalize ([0,485, 0,456, 0,406],
                                           [0,229, 0,224, 0,225])])
 
 transform_train = torchvision.transforms.Compose ([
    # Произвольно кадрируйте изображение, чтобы получить изображение площадью от 0,08 до 1 из
    # исходная площадь и соотношение высоты к ширине от 3/4 до 4/3. Потом,
    # масштабируем изображение, чтобы создать новое изображение 224 x 224
    torchvision.transforms.RandomResizedCrop (224, масштаб = (0,08, 1,0),
                                             соотношение = (3,0 / 4,0, 4,0 / 3,0)),
    torchvision.transforms.RandomHorizontalFlip (),
    # Произвольно изменяйте яркость, контраст и насыщенность
    torchvision.transforms.ColorJitter (яркость = 0,4, контраст = 0,4,
                                       насыщенность = 0,4),
    # Добавить случайный шум
    torchvision.transforms.ToTensor (),
    # Стандартизировать каждый канал изображения
    torchvision.transforms.Нормализовать ([0,485, 0,456, 0,406],
                                     [0,229, 0,224, 0,225])])
 

Во время прогнозирования мы используем только операции предварительной обработки изображений без случайность.

 transform_test = gluon.data.vision.transforms.Compose ([
    gluon.data.vision.transforms.Resize (256),
    # Обрезать квадратную область 224 x 224 от центра изображения.
    gluon.data.vision.transforms.CenterCrop (224),
    gluon.data.vision.transforms.ToTensor (),
    gluon.data.vision.transforms.Нормализовать ([0,485, 0,456, 0,406],
                                           [0,229, 0,224, 0,225])])
 
 transform_test = torchvision.transforms.Compose ([
    torchvision.transforms.Resize (256),
    # Обрезать квадратную область 224 x 224 от центра изображения.
    torchvision.transforms.CenterCrop (224),
    torchvision.transforms.ToTensor (),
    torchvision.transforms.Normalize ([0,485, 0,456, 0,406],
                                     [0,229, 0,224, 0,225])])
 

13.14.3.Чтение набора данных¶

Как и в Разделе 13.13, мы можем прочитать организованный набор данных состоящий из файлов необработанных изображений.

 train_ds, valid_ds, train_valid_ds, test_ds = [
    gluon.data.vision.ImageFolderDataset (
        os.path.join (каталог_данных, 'train_valid_test', папка))
    для папки в ('train', 'valid', 'train_valid', 'test')]
 
 train_ds, train_valid_ds = [
    torchvision.datasets.ImageFolder (
        os.path.join (каталог_данных, 'train_valid_test', папка),
        transform = transform_train) для папки в ['train', 'train_valid']]

valid_ds, test_ds = [
    torchvision.наборы данных.ImageFolder (
        os.path.join (каталог_данных, 'train_valid_test', папка),
        transform = transform_test) для папки в ['valid', 'test']]
 

Ниже мы создаем экземпляры итератора данных так же, как в Раздел 13.13.

 train_iter, train_valid_iter = [
    gluon.data.DataLoader (набор данных.transform_first (трансформация_поезд),
                          batch_size, shuffle = True, last_batch = 'discard')
    для набора данных в (train_ds, train_valid_ds)]

valid_iter = gluon.data.DataLoader (valid_ds.transform_first (transform_test),
                                   batch_size, shuffle = False,
                                   last_batch = 'сбросить')

test_iter = gluon.data.DataLoader (test_ds.transform_first (transform_test),
                                  batch_size, shuffle = False,
                                  last_batch = 'сохранить')
 
 train_iter, train_valid_iter = [
    torch.utils.data.DataLoader (набор данных, batch_size, shuffle = True,
                                drop_last = True)
    для набора данных в (train_ds, train_valid_ds)]

valid_iter = факел.utils.data.DataLoader (valid_ds, batch_size, shuffle = False,
                                         drop_last = True)

test_iter = torch.utils.data.DataLoader (test_ds, batch_size, shuffle = False,
                                        drop_last = Ложь)
 

13.14.4. Точная настройка предварительно обученной модели¶

Опять же, набор данных для этого конкурса является подмножеством ImageNet набор данных. Следовательно, мы можем использовать подход, обсужденный в Раздел 13.2 для выбора модели, предварительно обученной на полную Набор данных ImageNet и использовать его для извлечения функций изображения, которые будут загружены в нестандартная мелкомасштабная сеть вывода.Высокоуровневые API глубокого обучения фреймворки предоставляют широкий спектр моделей, предварительно обученных в ImageNet набор данных. Здесь мы выбираем предварительно обученную модель ResNet-34, где просто повторно использовать входные данные выходного слоя этой модели (т. е. извлеченные Особенности). Затем мы можем заменить исходный выходной слой небольшим настраиваемая сеть вывода, которую можно обучить, например, сложение двух полносвязные слои. В отличие от эксперимента в Раздел 13.2, нижеследующее не переключает предварительно обученная модель, используемая для извлечения признаков.Это сокращает время обучения и память для хранения градиентов.

Напомним, что мы стандартизировали изображения с помощью средств и стандартных отклонения трех каналов RGB для полного набора данных ImageNet. В Фактически, это также согласуется с операцией стандартизации предварительно обученная модель на ImageNet.

 def get_net (устройства):
    finetune_net = gluon.model_zoo.vision.resnet34_v2 (предварительно обученный = True)
    # Определить новую выходную сеть
    finetune_net.output_new = nn.HybridSequential (префикс = '')
    finetune_net.output_new.add (nn.Dense (256, активация = 'relu'))
    # Всего 120 категорий вывода
    finetune_net.output_new.add (nn.Dense (120))
    # Инициализировать выходную сеть
    finetune_net.output_new.initialize (init.Xavier (), ctx = устройства)
    # Распространение параметров модели на CPU или GPU, используемые для вычислений
    finetune_net.collect_params (). reset_ctx (устройства)
    вернуть finetune_net
 
 def get_net (устройства):
    finetune_net = nn.Sequential ()
    finetune_net.features = torchvision.models.resnet34 (предварительно обучено = True)
    # Определить новую сеть вывода (всего 120 категорий вывода)
    finetune_net.output_new = nn.Sequential (nn.Linear (1000, 256), nn.ReLU (),
                                            nn.Linear (256, 120))
    # Перенести модель на устройства
    finetune_net = finetune_net.to (устройства [0])
    # Заморозить параметры векторных слоев
    для параметра в finetune_net.features.parameters ():
        param.requires_grad = Ложь
    вернуть finetune_net
 

Перед тем, как рассчитать убыток, мы сначала получаем вход предварительно обученного выходной слой модели, т.е.е. извлеченный объект. Затем мы используем это функция в качестве входа для нашей небольшой настраиваемой выходной сети для расчета потеря.

 потери = gluon.loss.SoftmaxCrossEntropyLoss ()

def Assessment_loss (data_iter, net, devices):
    l_sum, n = 0,0, 0
    для функций метки в data_iter:
        X_shards, y_shards = d2l.split_batch (функции, метки, устройства)
        output_features = [net.features (X_shard) для X_shard в X_shards]
        output = [net.output_new (функция) для функции в output_features]
        ls = [
            потеря (выход, y_shard).сумма ()
            для вывода y_shard в zip (output, y_shards)]
        l_sum + = sum ([float (l.sum ()) для l в ls])
        n + = размер ярлыков
    вернуть l_sum / n
 
 убыток = nn.CrossEntropyLoss (сокращение = 'none')

def Assessment_loss (data_iter, net, devices):
    l_sum, n = 0,0, 0
    для функций метки в data_iter:
        features, labels = features.to (устройства [0]), labels.to (devices [0])
        output = net (функции)
        l = потеря (выходы, метки)
        l_sum + = l.sum ()
        n + = метки.numel ()
    вернуть l_sum / n
 

13.14.5. Определение функции обучения¶

Подберем модель и настроим гиперпараметры согласно производительность модели на проверочном наборе. Функция обучения модели train выполняет итерацию только по параметрам небольшой настраиваемой выходной сети.

 def train (net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
          lr_decay):
    # Обучаем только небольшую настраиваемую сеть вывода
    трейнер = глюон.Тренер (net.output_new.collect_params (), 'sgd', {
        'learning_rate': lr,
        'импульс': 0,9,
        'wd': wd})
    num_batches, timer = len (train_iter), d2l.Timer ()
    легенда = ['потеря поезда']
    если valid_iter не равен None:
        legend.append ('допустимая потеря')
    аниматор = d2l.Animator (xlabel = 'эпоха', xlim = [1, num_epochs],
                            легенда = легенда)
    для эпохи в диапазоне (num_epochs):
        метрика = d2l. Аккумулятор (2)
        если эпоха> 0 и эпоха% lr_period == 0:
            тренер.set_learning_rate (trainer.learning_rate * lr_decay)
        для i, (функции, метки) в перечислении (train_iter):
            timer.start ()
            X_shards, y_shards = d2l.split_batch (функции, метки, устройства)
            output_features = [net.features (X_shard) для X_shard в X_shards]
            с autograd.record ():
                выходы = [
                    net.output_new (функция) для функции в output_features]
                ls = [
                    потеря (выход, y_shard) .sum ()
                    для вывода y_shard в zip (output, y_shards)]
            для l в ls:
                л.назад ()
            trainer.step (размер_пакета)
            metric.add (sum ([float (l.sum ()) для l в ls]), labels.shape [0])
            timer.stop ()
            if (i + 1)% (num_batches // 5) == 0 или i == num_batches - 1:
                animator.add (эпоха + (i + 1) / num_batches,
                             (метрика [0] / метрика [1], нет))
        если valid_iter не равен None:
            valid_loss = оценить_loss (valid_iter, net, devices)
            animator.add (эпоха + 1, (Нет, valid_loss))
    меры = потеря пропуска {метрика [0] / метрика [1] :.3f} '
    если valid_iter не равен None:
        меры + = f ', допустимая потеря {valid_loss: .3f}'
    print (меры + f '\ n {метрика [1] * num_epochs / timer.sum () :. 1f}'
          f 'примеров / сек на {str (devices)}')
 
 def train (net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
          lr_decay):
    # Обучаем только небольшую настраиваемую сеть вывода
    net = nn.DataParallel (net, device_ids = devices) .to (devices [0])
    трейнер = torch.optim.SGD (
        (параметр для параметра в net.parameters (), если параметр.требует_града), lr = lr,
        импульс = 0.9, weight_decay = wd)
    scheduler = torch.optim.lr_scheduler.StepLR (трейнер, lr_period, lr_decay)
    num_batches, timer = len (train_iter), d2l.Timer ()
    легенда = ['потеря поезда']
    если valid_iter не равен None:
        legend.append ('допустимая потеря')
    аниматор = d2l.Animator (xlabel = 'эпоха', xlim = [1, num_epochs],
                            легенда = легенда)
    для эпохи в диапазоне (num_epochs):
        метрика = d2l. Аккумулятор (2)
        для i, (функции, метки) в перечислении (train_iter):
            таймер.Начните()
            features, labels = features.to (устройства [0]), labels.to (devices [0])
            trainer.zero_grad ()
            output = net (функции)
            l = потеря (вывод, метки) .sum ()
            л. назад ()
            trainer.step ()
            metric.add (l, labels.shape [0])
            timer.stop ()
            if (i + 1)% (num_batches // 5) == 0 или i == num_batches - 1:
                animator.add (эпоха + (i + 1) / num_batches,
                             (метрика [0] / метрика [1], нет))
        меры = потеря пропуска {метрика [0] / метрика [1] :.3f} '
        если valid_iter не равен None:
            valid_loss = оценить_loss (valid_iter, net, devices)
            animator.add (эпоха + 1, (Нет, valid_loss.detach ()))
        scheduler.step ()
    если valid_iter не равен None:
        меры + = f ', допустимая потеря {valid_loss: .3f}'
    print (меры + f '\ n {метрика [1] * num_epochs / timer.sum () :. 1f}'
          f 'примеров / сек на {str (devices)}')
 

13.14.6. Обучение и проверка модели¶

Теперь мы можем обучить и проверить модель.Следующие гиперпараметры все настраиваются. Например, можно увеличить количество эпох. Поскольку lr_period и lr_decay установлены на 2 и 0,9, соответственно, скорость обучения алгоритма оптимизации будет умножается на 0,9 через каждые 2 эпохи.

 устройства, num_epochs, lr, wd = d2l.try_all_gpus (), 10, 5e-3, 1e-4
lr_period, lr_decay, net = 2, 0.9, get_net (устройства)
net.hybridize ()
поезд (net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
      lr_decay)
 
 потеря поезда 0.917, действительный проигрыш 0,822
75,5 примеров / сек на [gpu (0), gpu (1)]
 
 устройства, num_epochs, lr, wd = d2l.try_all_gpus (), 10, 1e-4, 1e-4
lr_period, lr_decay, net = 2, 0.9, get_net (устройства)
поезд (net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
      lr_decay)
 
 потеря поезда 1,266, действительная потеря 1,171
543,1 примеров в секунду на [устройство (type = 'cuda', index = 0), device (type = 'cuda', index = 1)]
 

13.14.7. Классификация набора для тестирования и отправка результатов на Kaggle¶

Аналогично последнему шагу в Разделе 13.13, в конце концов все помеченные данные (включая набор для проверки) используются для обучение модели и классификация набора для тестирования. Мы будем использовать обученная настраиваемая сеть вывода для классификации.

 net = get_net (устройства)
net.hybridize ()
поезд (net, train_valid_iter, None, num_epochs, lr, wd, devices, lr_period,
      lr_decay)

preds = []
для данных метка в test_iter:
    output_features = net.features (data.as_in_ctx (устройства [0]))
    output = npx.softmax (net.output_new (output_features))
    предс.расширить (output.asnumpy ())
ids = отсортировано (
    os.listdir (os.path.join (каталог_данных, 'train_valid_test', 'test', 'unknown')))
с open ('submission.csv', 'w') как f:
    f.write ('id,' + ','. join (train_valid_ds.synsets) + '\ n')
    для i вывод в формате zip (ids, preds):
        f.write (
            i.split ('.') [0] + ',' + ','. join ([str (num)
                                              для числа на выходе]) + '\ n')
 
 Потеря поезда 0,817
108,8 примеров / сек на [gpu (0), gpu (1)]
 
 net = get_net (устройства)
поезд (net, train_valid_iter, None, num_epochs, lr, wd, devices, lr_period,
      lr_decay)

preds = []
для данных метка в test_iter:
    выход = факел.nn.functional.softmax (net (data.to (devices [0])), dim = 0)
    preds.extend (output.cpu (). detach (). numpy ())
ids = отсортировано (
    os.listdir (os.path.join (каталог_данных, 'train_valid_test', 'test', 'unknown')))
с open ('submission.csv', 'w') как f:
    f.write ('id,' + ','. join (train_valid_ds.classes) + '\ n')
    для i вывод в формате zip (ids, preds):
        f.write (
            i.split ('.') [0] + ',' + ','. join ([str (num)
                                              для числа на выходе]) + '\ n')
 
 потеря поезда 1.193
803,3 примеров в секунду на [устройство (type = 'cuda', index = 0), device (type = 'cuda', index = 1)]
 

Приведенный выше код сгенерирует файл submission.csv для отправки в Kaggle так же, как описано в Разделе 4.10.

13.14.8. Резюме¶

  • Изображения в наборе данных ImageNet больше (с разными размерами) чем изображения CIFAR-10. Мы можем изменять операции увеличения изображения для задачи в другом наборе данных.

  • Чтобы классифицировать подмножество набора данных ImageNet, мы можем использовать предварительно обученные модели на полном наборе данных ImageNet для извлечения функций и обучать только настраиваемую мелкомасштабную сеть вывода.Это приведет к меньше вычислительного времени и затрат памяти.

13.14.9. Упражнения¶

  1. Какие результаты вы можете получить при использовании полного набора данных о соревнованиях Kaggle? достигнуть, когда вы увеличите batch_size (размер партии) и num_epochs (количество эпох) при установке других гиперпараметры как lr = 0,01 , lr_period = 10 и lr_decay = 0,1 ?

  2. Получите ли вы лучшие результаты, если используете более глубокую предварительно обученную модель? Как вы настраиваете гиперпараметры? Можете ли вы улучшить результаты?

.

Добавить комментарий

Ваш адрес email не будет опубликован.