Clár na nÁbhar[Folaigh][Taispeáin]
- Cad é rangú íomhá?
- Conas a oibríonn rangú íomhá?
Aicmiú íomhá ag baint úsáide as Tensorflow & Keras i python+-
- 1. Ceanglais Shuiteála
- 2. Spleáchais allmhairithe
- 3. Paraiméadair a thionscnamh
- 4. An tacar sonraí a lódáil
- 5. An tsamhail a chruthú
- 6. An tsamhail a oiliúint
- An tsamhail a thástáil
- 7. Na fóntais a allmhairiú le haghaidh tástála
- 8. Eolaire python a dhéanamh
- 9. Sonraí tástála & múnla á lódáil
- 10. Meastóireacht & Tuar
- 11. Torthaí
- Conclúid
Is ábhar misnigh é fios a bheith againn gur éirigh linn róbait a chosaint lenár gcumas dúchasach chun foghlaim trí eiseamláir agus a dtimpeallacht a bhrath. Is é an bundúshlán ná go mbeadh i bhfad níos mó ama agus iarrachta de dhíth orthu siúd a bheadh ag múineadh ríomhairí chun “féachaint” ar dhaoine.
Mar sin féin, nuair a dhéanaimid breithniú ar an luach praiticiúil a sholáthraíonn an scil seo d’eagraíochtaí agus d’fhiontair faoi láthair, is fiú go mór an iarracht. San Airteagal seo, beidh tú ag foghlaim faoi rangú íomhá, conas a oibríonn sé, agus a chur i bhfeidhm praiticiúil. Tosaímid.
Cad é rangú íomhá?
An jab a bhaineann le híomhá a thabhairt isteach a líonra neodrach agus aitheantas íomhá a thabhairt ar lipéad de chineál éigin a bheith air a aschur don phictiúr sin. Comhfhreagróidh lipéad aschuir an líonra d'aicme réamhshainithe.
D'fhéadfadh go mbeadh go leor ranganna sannta don phictiúr, nó go simplí ceann amháin. Nuair nach bhfuil ach aicme amháin ann, is minic a úsáidtear an téarma “aitheantas”, ach nuair a bhíonn ilranganna ann, is minic a úsáidtear an téarma “aicmiú”.
Brath oibiachtúil is fothacar é d’aicmiú pictiúr ina mbraitear cásanna áirithe de réada mar nithe a bhaineann le haicme áirithe amhail ainmhithe, feithiclí, nó daoine.
Conas a oibríonn rangú íomhá?
Déanann ríomhaire anailís ar íomhá i bhfoirm picteilín. Déanann sé é seo trí chóireáil a dhéanamh ar an bpictiúr mar bhailiúchán maitrísí, a gcinnfidh an méid de réir réiteach na híomhá. Go simplí, is éard atá i rangú pictiúr ná staidéar ar shonraí staitistiúla a úsáideann algartaim ó thaobh an ríomhaire de.
Déantar aicmiú íomhánna i bpróiseáil íomhánna digiteacha trí picteilíní a ghrúpáil ina ngrúpaí réamhshocraithe, nó ina “aicmí.” Roinneann na halgartaim an íomhá ina sraith de shaintréithe suntasacha, rud a laghdaíonn an t-ualach don aicmitheoir deiridh.
Cuireann na cáilíochtaí seo an t-aicmitheoir ar an eolas faoi bhrí na híomhá agus aicmiú féideartha. Toisc go bhfuil an chuid eile de na próisis maidir le pictiúr a rangú ag brath air, is é an modh eastósctha tréith an chéim is tábhachtaí.
An sonraí curtha ar fáil leis an algartam ríthábhachtach freisin maidir le haicmiú íomhá, go háirithe aicmiú faoi mhaoirseacht. I gcomparáid le tacar sonraí uafásach ina bhfuil éagothroime sonraí bunaithe ar aicme agus ar cháilíocht íseal pictiúr agus nótaí, feidhmíonn tacar sonraí rangaithe dea-optamaithe go sármhaith.
Aicmiú íomhá ag baint úsáide as Tensorflow & Keras i python
Beimid ag úsáid an CIFAR-10 tacar sonraí (lena n-áirítear aerárthaí, eitleáin, éin, agus rudaí 7 eile).
1. Ceanglais Shuiteála
Suiteáilfidh an cód thíos na réamhriachtanais go léir.
2. Spleáchais allmhairithe
Déan comhad train.py i Python. Déanfaidh an cód thíos spleáchais Tensorflow agus Keras a allmhairiú.
3. Paraiméadair a thionscnamh
Níl san áireamh i CIFAR-10 ach 10 gcatagóir pictiúr, mar sin tagraíonn aicmí uimhreacha go simplí do líon na gcatagóirí atá le rangú.
4. An tacar sonraí a lódáil
Úsáideann an fheidhm modúl Tensorflow Datasets chun an tacar sonraí a luchtú, agus shocraigh muid le faisnéis go True chun roinnt faisnéise a fháil faoi. Is féidir leat é a phriontáil chun a fheiceáil cad iad na réimsí agus a luachanna, agus úsáidfimid an fhaisnéis chun líon na samplaí sna tacair oiliúna agus tástála a aisghabháil.
5. An tsamhail a chruthú
Anois tógfaimid trí shraith, gach ceann comhdhéanta de dhá ConvNets le feidhm gníomhachtaithe uasta comhthiomsaithe agus ReLU, agus córas aonad 1024 lán-nasctha ina dhiaidh sin. I gcomparáid le ResNet50 nó Xception, ar samhlacha úrscothacha iad, d’fhéadfadh gur samhail bheag bheag é seo.
6. An tsamhail a oiliúint
Bhain mé úsáid as Tensorboard chun cruinneas agus caillteanas i ngach ré a thomhas agus taispeáint álainn a sholáthar dúinn tar éis na sonraí a allmhairiú agus an tsamhail a ghiniúint. Rith an cód seo a leanas; ag brath ar do LAP/GPU, tógfaidh an oiliúint roinnt nóiméad.
Chun tensorboard a úsáid, níl le déanamh ach an t-ordú seo a leanas a chlóscríobh sa teirminéal nó leid ordaithe san eolaire reatha:
Feicfidh tú go bhfuil caillteanas bailíochtaithe ag laghdú agus go bhfuil cruinneas ag ardú go dtí thart ar 81%. Sin iontach!
An tsamhail a thástáil
Nuair a bhíonn an oiliúint críochnaithe, sábhálfar an tsamhail deiridh agus na meáchain sa fhillteán torthaí, rud a ligeann dúinn oiliúint a dhéanamh uair amháin agus tuar a dhéanamh nuair a roghnaíonn muid. Lean an cód i gcomhad python nua darb ainm test.py.
7. Na fóntais a allmhairiú le haghaidh tástála
8. Eolaire python a dhéanamh
Déan foclóir Python a aistríonn gach luach slánuimhir go lipéad cuí an tacair sonraí:
9. Sonraí tástála & múnla á lódáil
Déanfaidh an cód seo a leanas na sonraí tástála agus an tsamhail a luchtú.
10. Meastóireacht & Tuar
Déanfaidh an cód seo a leanas na híomhánna frog a mheas agus a thuar.
11. Torthaí
Thuar an tsamhail an frog le cruinneas 80.62%.
Conclúid
Ceart go leor, táimid críochnaithe leis an gceacht seo. Cé nach bhfuil 80.62% go maith le haghaidh beagán CNN, molaim go láidir duit an tsamhail a athrú nó breathnú ar ResNet50, Xception, nó samhlacha ceannródaíocha eile le haghaidh torthaí níos fearr.
Anois go bhfuil do chéad líonra aitheantais íomhá tógtha agat i Keras, ba cheart duit triail a bhaint as an tsamhail chun a fháil amach conas a théann paraiméadair éagsúla i bhfeidhm ar a fheidhmíocht.
Leave a Reply