CNN ile MNIST

0
68

CNN ile MNIST ; Konvolüsyonel Sinir Ağları (CNN), görüntülerin sınıflandırılması için modern bir mimaridir. Yüz tanıma, kendi kendine sürüş veya nesne algılama olsun, CNN her yerde kullanılır. Bu yazıda, iyi bilinen bir MNIST rakam tanıma problemi için bir tensör arka uç göbeği kullanılarak basit bir iki boyutlu evrişimli sinir ağı (CNN) modeli geliştirilmiştir. Tüm iş akışı şunlar olabilir:

CNN ile MNIST

  • Veri Hazırlama
  • Modelin Montajı Ve Derlenmesi
  • Eğitim Ve Model Değerlendirmesi
  • Modeli Tekrar Kullanmak Üzere Diske Kaydetme

Veri Hazırlama

Burada kullanılan veri kümesi yukarıda belirtildiği gibi bir MNIST veri kümesidir. MNIST veri tabanı (Ulusal Standartlar ve Teknoloji Enstitüsü’nün Değiştirilmiş Veri Tabanı) el yazısı rakamlarından oluşan büyük bir veri tabanıdır (0-9 arası). Veritabanında 60.000 eğitim resmi ve 28×28 boyutunda 10.000 test görüntüsü bulunuyor. İlk adım, kolayca keras api üzerinden yapılabilen veri setini indirmektir.

Şimdi, verileri hazırlamak için bazı görüntü işlemlerine ihtiyacımız var; örneğin, görüntüleri yeniden boyutlandırma, piksel değerlerini normalleştirme vb. Görüntü bilgilerinin gerekli şekilde işlenmesinden sonra, etiket verileri, kategorik biçimlere dönüştürülmeli ve vektöre dönüştürülmelidir.

Modelin Montajı Ve Derlenmesi

Veriler modele gönderilmeye hazır olduktan sonra, modelin yapısını belirlemeli ve gerekli iyileştirici işlev, kayıp işlevi ve performans ölçümleriyle derlemeliyiz.

Burada gösterilen mimari, sırasıyla bir birleştirme katmanı, tamamen bağlı bir katman ve bir softmax katmanından oluşan iki evrim seviyesinden oluşur. Her bir evrim katında, çeşitli cisimlerin çıkarılması için çeşitli filtreler kullanılır. Sezgisel bir açıklama, ilk filtrenin görüntüdeki düz çizgileri algılamaya yardımcı olması, ikinci filtrenin daire tespitinde yardımcı olması vb. Olabilir. Her katmanın teknik performansının açıklaması, gelecek gönderinin bir parçası olacaktır.

CNN İLE MNIST

Eğitim Ve Model Değerlendirmesi

Model mimarisi tanımlandıktan ve derlendikten sonra, elle yazılmış sayıları tanıyabilmek için model eğitim verileriyle eğitilmelidir. Burada bir dönem, tüm eğitim örneklerinden bir direkt ve bir ters geçiş anlamına gelir. Parti büyüklüğü, ileri / geri geçiş başına eğitim numunelerinin sayısını ifade eder. Öğrenme çıktısı:

Şimdi eğitimli modelin performans açısından değerlendirilmesi gerekiyor. % 99 + test doğruluğu, modelin öngörme için iyi eğitilmiş olduğunu gösterir. Tüm eğitim günlüğünü görselleştirirsek, daha sonra, daha fazla dönemle birlikte, modelin kararlı olmasını sağlayan eğitim ve test verileri sırasında modelin kaybı ve doğruluğu birleşir.

Modeli Tekrar Kullanmak Üzere Diske Kaydetme

Şimdi eğitimli modelin serileştirilmesi gerekiyor. Modelin mimarisi veya yapısı json dosyasına, ağırlıkları ise hdf5 dosya formatında kaydedilecektir.

https://pythondunyasi.com/yapay-zeka-ve-derin-ogrenme/

Bir Cevap Yazın

This site uses Akismet to reduce spam. Learn how your comment data is processed.