TensorFlow ເປັນເຄື່ອງມືທີ່ຫຼາກຫຼາຍເພື່ອສ້າງແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ.
ໃນບົດຂຽນນີ້, ພວກເຮົາຈະເບິ່ງວິທີການສ້າງລະບົບການຮັບຮູ້ໃບຫນ້າດ້ວຍ TensorFlow, ກອບການຮຽນຮູ້ເຄື່ອງຈັກແບບເປີດ. ພວກເຮົາຈະຜ່ານຂະບວນການທີ່ສໍາຄັນໃນການສ້າງລະບົບການຮັບຮູ້ໃບຫນ້າທີ່ປະສົບຜົນສໍາເລັດ, ຈາກການລວບລວມແລະການກະກຽມຂໍ້ມູນເພື່ອຝຶກອົບຮົມແລະການປະເມີນແບບຈໍາລອງ.
ທ່ານຈະໄດ້ຮັບປະສົບການມືທໍາອິດກັບ TensorFlow ເພື່ອສ້າງການຮັບຮູ້ໃບຫນ້າດ້ວຍການຊ່ວຍເຫຼືອຂອງ snippets ລະຫັດແລະຕົວຢ່າງທີ່ແທ້ຈິງຂອງໂລກ. ຍິນດີທີ່ຈະຕິດຕາມພວກເຮົາຕໍ່ໄປ.
ການແນະ ນຳ TensorFlow
TensorFlow ເປັນຫ້ອງສະໝຸດຟຣີ ແລະເປີດແຫຼ່ງ. ມັນເປັນກ່ອງເຄື່ອງມືທາງຄະນິດສາດທີ່ເປັນສັນຍາລັກທີ່ໃຊ້ dataflow ແລະການຂຽນໂປຼແກຼມທີ່ແຕກຕ່າງກັນ. ທ່ານສາມາດຈັດການລະດັບຂອງວຽກງານກັບມັນ, ລວມທັງເລິກ ເຄືອຂ່າຍ neural ການຝຶກອົບຮົມ.
TensorFlow ແມ່ນມີອໍານາດແລະສາມາດປັບຕົວໄດ້. ເຊັ່ນດຽວກັນ, ມັນເປັນເຄື່ອງມືທີ່ດີສໍາລັບການພັດທະນາແລະ ນຳໃຊ້ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ. ທ່ານສາມາດສ້າງແບບຈໍາລອງທີ່ສັບສົນດ້ວຍຫຼາຍຊັ້ນແລະການດໍາເນີນງານ tensor. ນອກຈາກນີ້, ແບບຈໍາລອງທີ່ສ້າງໄວ້ກ່ອນໃນຫ້ອງສະຫມຸດສາມາດປັບໄດ້ຕາມຄວາມຕ້ອງການສະເພາະ.
ນອກຈາກນັ້ນ, TensorFlow ມີຊຸມຊົນຜູ້ໃຊ້ຂະຫນາດໃຫຍ່ແລະຂະຫຍາຍ. ດັ່ງນັ້ນ, ມີຫຼາຍຂໍ້ມູນຂ່າວສານແລະການຊ່ວຍເຫຼືອສໍາລັບບຸກຄົນຜູ້ທີ່ໃຫມ່ໃນເວທີ.
TensorFlow ເປັນທີ່ນິຍົມສໍາລັບ ການຮຽນຮູ້ເຄື່ອງຈັກ ໃນສ່ວນຫນຶ່ງເນື່ອງຈາກວ່າມັນສະຫນອງການເຮັດວຽກ end-to-end. ດັ່ງນັ້ນ, ທ່ານສາມາດສ້າງ, ຝຶກອົບຮົມແລະນໍາໃຊ້ຕົວແບບໄດ້ຢ່າງງ່າຍດາຍ. ມັນສະຫນອງເຄື່ອງມືແລະຍຸດທະສາດສໍາລັບການປັບປຸງແລະການປັບຂະຫນາດໃຫ້ເຫມາະສົມກັບຄວາມຕ້ອງການສະເພາະ. ມັນແຕກຕ່າງຈາກການປະມວນຜົນຂໍ້ມູນລ່ວງໜ້າເຖິງການວາງຕົວແບບ.
ການຮັບຮູ້ໃບໜ້າແມ່ນຫຍັງ?
ການຮັບຮູ້ໃບໜ້າແມ່ນ ກ ວິໄສທັດຄອມພິວເຕີ ວຽກງານທີ່ກໍານົດຕົວຕົນຂອງບຸກຄົນໂດຍອີງໃສ່ໃບຫນ້າຂອງເຂົາເຈົ້າ. ເຕັກນິກນີ້ຮັບຮູ້ລັກສະນະຂອງໃບຫນ້າ, ເຊັ່ນ: ຮູບຮ່າງແລະໂຄງສ້າງຂອງຕາ, ດັງ, ແລະປາກ.
ແລະ, ມັນປຽບທຽບພວກມັນກັບຖານຂໍ້ມູນຂອງໃບຫນ້າທີ່ຮູ້ຈັກເພື່ອກໍານົດການຈັບຄູ່. ການຮັບຮູ້ໃບໜ້າມີການນຳໃຊ້ຫຼາຍຢ່າງ, ລວມທັງລະບົບຄວາມປອດໄພ, ການຈັດຮູບພາບ ແລະ ການພິສູດຢືນຢັນທາງຊີວະມິຕິ.
ຄວາມຖືກຕ້ອງຂອງລະບົບການຮັບຮູ້ໃບໜ້າໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຊຸມປີມໍ່ໆມານີ້ ເນື່ອງຈາກຄວາມກ້າວໜ້າໃນການຮຽນຮູ້ເຄື່ອງຈັກ.
ການນໍາເຂົ້າຫ້ອງສະຫມຸດທີ່ຈໍາເປັນ
ກ່ອນທີ່ຈະເລີ່ມຕົ້ນສິ່ງໃດ, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ນໍາເຂົ້າຫ້ອງສະຫມຸດທີ່ຈໍາເປັນສໍາລັບຕົວແບບຂອງພວກເຮົາ. Tensorflow (tf) ຖືກນໍາເຂົ້າແລະນໍາໃຊ້ເພື່ອສ້າງແລະຝຶກອົບຮົມແບບຈໍາລອງ. <(p>
"numpy" ປະຕິບັດການຄິດໄລ່ທາງຄະນິດສາດແລະການປະມວນຜົນຂໍ້ມູນ.
“matplotlib.pyplot” ຖືກນໍາເຂົ້າເປັນ plt ແລະໃຊ້ສໍາລັບ ຕາຕະລາງຂໍ້ມູນແລະການເບິ່ງເຫັນ.
ສຸດທ້າຍ, "fetch lfw people" ແມ່ນນໍາເຂົ້າຈາກ sklearn. ຊຸດຂໍ້ມູນ ແລະໃຊ້ເພື່ອໂຫຼດຊຸດຂໍ້ມູນການຮັບຮູ້ໃບໜ້າ. ຟັງຊັນນີ້ແມ່ນສ່ວນຫນຶ່ງຂອງຊຸດເຄື່ອງມື scikit-learn. ຂໍຂອບໃຈກັບຟັງຊັນນີ້, ພວກເຮົາບໍ່ຈໍາເປັນຕ້ອງອັບໂຫລດຊຸດຂໍ້ມູນອື່ນ. ອັນນີ້ຖືກສ້າງຂຶ້ນໃນ sckit-learn ແລ້ວ.
ແລະ, ມັນເຮັດໃຫ້ທ່ານສາມາດເຂົ້າເຖິງລະດັບຄວາມກ້ວາງຂອງ ຊຸດຂໍ້ມູນສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກ ຄໍາຮ້ອງສະຫມັກ. ໃນສະຖານະການນີ້, ພວກເຮົາໃຊ້ວິທີການ fetch lfw people ເພື່ອດຶງເອົາຊຸດຂໍ້ມູນ “Labeled Faces in the Wild” (LFW). ມັນປະກອບດ້ວຍຮູບພາບຂອງໃບຫນ້າຂອງປະຊາຊົນເຊັ່ນດຽວກັນກັບປ້າຍຊື່ທີ່ໄປກັບເຂົາເຈົ້າ.
ຫ້ອງສະໝຸດເຫຼົ່ານີ້ແມ່ນມີຄວາມສຳຄັນໃນການຈັດຕັ້ງປະຕິບັດ ແລະ ການປະເມີນຮູບແບບການຮັບຮູ້ໃບໜ້າຂອງພວກເຮົາ.
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt from sklearn.datasets
import fetch_lfw_people
ກຳລັງປະມວນຜົນ ແລະໂຫຼດຊຸດຂໍ້ມູນການຮັບຮູ້ໃບໜ້າ
ໃນສ່ວນນີ້, ພວກເຮົາໃຊ້ຟັງຊັນ "fetch lfw people" ເພື່ອປະມວນຜົນຂໍ້ມູນການຮັບຮູ້ໃບໜ້າກ່ອນ. ທໍາອິດ, ພວກເຮົາໃຊ້ fetch lfw people ທີ່ມີທາງເລືອກ "min faces per person=60". ອັນນີ້ຊີ້ບອກວ່າພວກເຮົາຕ້ອງການລວມເອົາຄົນໃນຊຸດຂໍ້ມູນທີ່ມີຢ່າງໜ້ອຍ 60 ຮູບເທົ່ານັ້ນ. ດັ່ງນັ້ນ, ພວກເຮົາຮັບປະກັນວ່າຕົວແບບຂອງພວກເຮົາມີຂໍ້ມູນພຽງພໍເພື່ອຮຽນຮູ້. ນອກຈາກນີ້, ນີ້ຫຼຸດລົງອັນຕະລາຍຂອງການ overfitting.
ຂໍ້ມູນ ແລະປ້າຍກຳກັບຈາກວັດຖຸໃບໜ້າຈະຖືກແຍກອອກ ແລະມອບໝາຍໃຫ້ກັບຕົວແປ X ແລະ y. X hol.
ດຽວນີ້ພວກເຮົາພ້ອມທີ່ຈະຝຶກອົບຮົມຮູບແບບການຮັບຮູ້ໃບໜ້າຂອງພວກເຮົາໂດຍໃຊ້ຂໍ້ມູນ ແລະປ້າຍກຳກັບທີ່ປຸງແຕ່ງແລ້ວ.
faces = fetch_lfw_people(min_faces_per_person=60)
X = faces.data
y = faces.target
target_names = faces.target_names
ການຝຶກອົບຮົມແຍກແລະຊຸດການທົດສອບ
ໃນຂັ້ນຕອນນີ້, ພວກເຮົາແຍກຊຸດຂໍ້ມູນການຮັບຮູ້ໃບໜ້າຂອງພວກເຮົາອອກເປັນສອງເຄິ່ງໂດຍໃຊ້ວິທີການແຍກການທົດສອບລົດໄຟຈາກການເລືອກ sklearn.model. ເປົ້າຫມາຍຂອງການແບ່ງປັນນີ້ແມ່ນເພື່ອປະເມີນການປະຕິບັດຕົວແບບຂອງພວກເຮົາຫຼັງຈາກການຝຶກອົບຮົມ
ຟັງຊັນການແບ່ງປັນການທົດສອບລົດໄຟຍອມຮັບເປັນຂໍ້ມູນ X ແລະປ້າຍຊື່ y. ແລະ, ມັນແບ່ງໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນຊຸດການຝຶກອົບຮົມແລະການທົດສອບ. ພວກເຮົາເລືອກຂະຫນາດການທົດສອບ = 0.2 ໃນຕົວຢ່າງນີ້. ນີ້ ໝາຍ ຄວາມວ່າ 20% ຂອງຂໍ້ມູນຈະຖືກ ນຳ ໃຊ້ເປັນຊຸດທົດສອບແລະ 80% ເປັນຊຸດການຝຶກອົບຮົມ. ນອກຈາກນັ້ນ, ພວກເຮົາໃຊ້ random state=42 ເພື່ອຮັບປະກັນວ່າຂໍ້ມູນຖືກແບ່ງອອກຢ່າງສະຫມໍ່າສະເຫມີໃນແຕ່ລະເວລາທີ່ລະຫັດຖືກປະຕິບັດ.
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
ການກະກຽມຂໍ້ມູນ
ຈຸດປະສົງຂອງການ preprocessing ຂໍ້ມູນແມ່ນເພື່ອກະກຽມສໍາລັບການເຂົ້າໄປໃນຕົວແບບໄດ້. ຂໍ້ມູນຖືກປະມວນຜົນລ່ວງໜ້າໃນລະຫັດນີ້ໂດຍການແບ່ງແຕ່ລະຈຸດຂໍ້ມູນດ້ວຍ 255.
ສິ່ງໃດກະຕຸ້ນເຮົາໃຫ້ບັນລຸສິ່ງນີ້? Normalization ແມ່ນຂັ້ນຕອນການປະມວນຜົນກ່ອນທີ່ໃຊ້ໃນການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຮັບປະກັນວ່າຄຸນສົມບັດທັງໝົດຢູ່ໃນຂະໜາດດຽວກັນ. ໃນສະຖານະການນີ້, ການແບ່ງໂດຍ 255 ຂະຫນາດຂໍ້ມູນໃນລະດັບ 0 ຫາ 1, ເຊິ່ງເປັນຂັ້ນຕອນການເຮັດໃຫ້ຂໍ້ມູນຮູບພາບປົກກະຕິ.
ນີ້ເລັ່ງການລວມຕົວຂອງຕົວແບບແລະສາມາດເພີ່ມປະສິດທິພາບຂອງມັນໄດ້.
X_train = X_train / 255.0
X_test = X_test / 255.0
ການສ້າງໂໝດ
ພວກເຮົາຕ້ອງການກໍານົດບຸກຄົນທີ່ມີໃບຫນ້າປາກົດຢູ່ໃນຮູບ. ໃນກໍລະນີນີ້, ພວກເຮົາຈະນໍາໃຊ້ເຄືອຂ່າຍທີ່ເຊື່ອມຕໍ່ຢ່າງເຕັມສ່ວນ, ມັກຈະເອີ້ນວ່າເຄືອຂ່າຍທີ່ມີຄວາມຫນາແຫນ້ນ. ມັນເປັນເຄືອຂ່າຍ neural ປອມທີ່ຖືກນໍາໃຊ້ເພື່ອສ້າງຕົວແບບ.
ເຄືອຂ່າຍ neural ທຽມໄດ້ຖືກສ້າງແບບຈໍາລອງຈາກວິທີການທີ່ສະຫມອງຂອງມະນຸດເຮັດວຽກແລະຖືກຈັດຕັ້ງ. ພວກມັນຖືກປະກອບມາຈາກຂໍ້ປະມວນຜົນຂໍ້ມູນຫຼື neurons ທີ່ເຊື່ອມຕໍ່. ແຕ່ລະ neuron ໃນຊັ້ນໃນເຄືອຂ່າຍທີ່ຫນາແຫນ້ນແມ່ນເຊື່ອມຕໍ່ກັບທຸກໆ neuron ໃນຊັ້ນຂ້າງເທິງມັນ.
ຮູບແບບມີສີ່ຊັ້ນໃນລະຫັດນີ້. ເພື່ອປ້ອນເຂົ້າໄປໃນຊັ້ນຕໍ່ໄປ, ຂໍ້ມູນການປ້ອນຂໍ້ມູນຈະຖືກແປໃນຊັ້ນທໍາອິດເຂົ້າໄປໃນອາເລມິຕິຫນຶ່ງ. neurons 128 ແລະ 64 ໃນສອງຊັ້ນຕໍ່ໄປນີ້, ຕາມຄວາມເຫມາະສົມ, ແມ່ນເຊື່ອມຕໍ່ຢ່າງສົມບູນ.
ຟັງຊັນການເປີດໃຊ້ ReLU ເປັນຟັງຊັນການເປີດໃຊ້ງານທີ່ເປັນເອກະລັກທີ່ໃຊ້ໂດຍຊັ້ນເຫຼົ່ານີ້. ດ້ວຍວ່າ, ພວກເຮົາສາມາດເອົາຕົວແບບເພື່ອຮຽນຮູ້ການພົວພັນທີ່ບໍ່ແມ່ນເສັ້ນຊື່ລະຫວ່າງວັດສະດຸປ້ອນແລະຜົນໄດ້ຮັບ. ຊັ້ນສຸດທ້າຍໃຊ້ຟັງຊັນການເປີດໃຊ້ softmax ເພື່ອເຮັດໃຫ້ການຄາດຄະເນ. ແລະ, ມັນເປັນຊັ້ນເຊື່ອມຕໍ່ຢ່າງເຕັມສ່ວນກັບ neurons ຫຼາຍເທົ່າທີ່ມີຊັ້ນຮຽນທີ່ມີທ່າແຮງ.
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(62 * 47,)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(len(target_names), activation='softmax')
])
ການລວບລວມຕົວແບບ
ຮູບແບບດັ່ງກ່າວຖືກລວບລວມໂດຍໃຊ້ຟັງຊັນ "ລວບລວມ". ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ກະກຽມຕົວແບບສໍາລັບການຝຶກອົບຮົມ. ດັ່ງນັ້ນ, ພວກເຮົາຈະກໍານົດ optimizer, ຫນ້າທີ່ສູນເສຍ, ແລະ metrics ທີ່ຈະຖືກນໍາໃຊ້ເພື່ອປະເມີນຮູບແບບ.
ໃນລະຫວ່າງການຝຶກອົບຮົມ, optimizer ຮັບຜິດຊອບໃນການປ່ຽນແປງຕົວກໍານົດການຂອງຕົວແບບ. ເຄື່ອງມືເພີ່ມປະສິດທິພາບ "ອາດາມ" ແມ່ນເຕັກນິກການເພີ່ມປະສິດທິພາບການຮຽນຮູ້ເລິກທີ່ນິຍົມ.
ພວກເຮົາໃຊ້ຫນ້າທີ່ສູນເສຍເພື່ອປະເມີນການປະຕິບັດຂອງຕົວແບບກ່ຽວກັບຂໍ້ມູນການຝຶກອົບຮົມ. ເນື່ອງຈາກວ່າປ້າຍຊື່ເປົ້າຫມາຍແມ່ນຈໍານວນເຕັມທີ່ສະທ້ອນເຖິງຊັ້ນຂອງຮູບພາບແທນທີ່ຈະເປັນ vectors ທີ່ເຂົ້າລະຫັດຮ້ອນຫນຶ່ງ, ຫນ້າທີ່ສູນເສຍ "ປະເພດ crossentropy sparse" ແມ່ນເອື້ອອໍານວຍ.
ສຸດທ້າຍ, ພວກເຮົາກໍານົດຕົວຊີ້ວັດເພື່ອປະເມີນຮູບແບບ, ໃນກໍລະນີນີ້, "ຄວາມຖືກຕ້ອງ".
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
ການຝຶກອົບຮົມຕົວແບບ
ພວກເຮົາຈະນໍາໃຊ້ຫນ້າທີ່ "ເຫມາະ" ເພື່ອຝຶກອົບຮົມແບບຈໍາລອງ.
ພວກເຮົາຈະສະຫນອງຂໍ້ມູນການຝຶກອົບຮົມ (X train) ແລະປ້າຍທີ່ກ່ຽວຂ້ອງ (y train), ເຊັ່ນດຽວກັນກັບການກໍານົດຈໍານວນຂອງ epochs (iterations) ທີ່ຈະດໍາເນີນການເປັນ 10. ຂັ້ນຕອນການຝຶກອົບຮົມປັບປຸງແກ້ໄຂນ້ໍາຫນັກຕົວແບບເພື່ອຫຼຸດຜ່ອນການສູນເສຍ (ຄວາມແຕກຕ່າງລະຫວ່າງ. ການຄາດເດົາແລະປ້າຍຊື່ທີ່ແທ້ຈິງ) ແລະປັບປຸງຄວາມຖືກຕ້ອງຂອງຂໍ້ມູນການຝຶກອົບຮົມ.
model.fit(X_train, y_train, epochs=10)
ການປະເມີນຜົນແບບຈໍາລອງ
ໃນປັດຈຸບັນ, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ປະເມີນຮູບແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນການທົດສອບ. ພວກເຮົາໃຊ້ການສູນເສຍການທົດສອບແລະຄວາມຖືກຕ້ອງຂອງການທົດສອບຖືກນໍາໃຊ້ເພື່ອປະເມີນການປະຕິບັດຂອງຕົວແບບ. ໃນການທົດສອບຂໍ້ມູນ X ການທົດສອບແລະປ້າຍການທົດສອບ y ການທົດສອບ, ພວກເຮົາຈໍາເປັນຕ້ອງໂທຫາ "ຟັງຊັນ model.evaluate"
ຟັງຊັນໃຫ້ຜົນໄດ້ຮັບຄວາມຖືກຕ້ອງຂອງການທົດສອບແລະການສູນເສຍການທົດສອບ. ການສູນເສຍການທົດສອບຕົວແປແລະຄວາມຖືກຕ້ອງຂອງການທົດສອບ, ຕາມລໍາດັບ, ມີຄ່າເຫຼົ່ານີ້. ສຸດທ້າຍ, ພວກເຮົາໃຊ້ຟັງຊັນ "ພິມ" ເພື່ອສະແດງຄວາມຖືກຕ້ອງຂອງການທົດສອບ.
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print("Test accuracy:", test_accuracy)
ຄາດຄະເນຊັ້ນຮຽນແລະໄດ້ຮັບການຄາດຄະເນຫ້ອງຮຽນ
ການນໍາໃຊ້ຮູບແບບການຝຶກອົບຮົມແລະຂໍ້ມູນການທົດສອບ, ສູດການຄິດໄລ່ເຮັດໃຫ້ການຄາດຄະເນ. ເມື່ອຂໍ້ມູນການທົດສອບຖືກສົ່ງຜ່ານວິທີການ “model.predict”, ມັນຈະສົ່ງຜົນການຄາດເດົາຂອງແຕ່ລະຮູບໃນຊຸດທົດສອບ.
ຫຼັງຈາກນັ້ນ, ຊື່ຫ້ອງຮຽນເປົ້າຫມາຍສໍາລັບແຕ່ລະຮູບແມ່ນເອົາມາຈາກບັນຊີລາຍຊື່ "ຊື່ເປົ້າຫມາຍ" ໂດຍໃຊ້ຫນ້າທີ່ "np.argmax" ເພື່ອກໍານົດດັດຊະນີທີ່ມີຄວາມເປັນໄປໄດ້ທີ່ຄາດຄະເນຫຼາຍທີ່ສຸດ. ຫຼັງຈາກນັ້ນ, ດັດຊະນີນີ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດຊັ້ນທີ່ຄາດຄະເນສໍາລັບແຕ່ລະຮູບພາບ.
ການນໍາໃຊ້ຄວາມເຂົ້າໃຈບັນຊີລາຍຊື່, ການຄາດຄະເນທັງຫມົດໃນ "ການຄາດເດົາ" array ແມ່ນຂຶ້ນກັບວິທີການນີ້, ສົ່ງຜົນໃຫ້ບັນຊີລາຍຊື່ "ຫ້ອງຮຽນຄາດຄະເນ".
predictions = model.predict(X_test)
predicted_classes = [target_names[np.argmax(prediction)] for prediction in predictions]
Visualizing the Predictions
ດຽວນີ້ພວກເຮົາສາມາດເຫັນໄດ້ວ່າຕົວແບບຂອງພວກເຮົາມີລັກສະນະແນວໃດ.
ເພື່ອປະເມີນວ່າຕົວແບບເຮັດໄດ້ດີປານໃດ, ຮູບ 10 ທຳອິດ ແລະການຄາດຄະເນຂອງພວກມັນຈະຖືກສະແດງ. ມັນຈະວາງຮູບພາບເປັນສີຂີ້ເຖົ່າແລະສະແດງທັງສອງຫ້ອງທີ່ແທ້ຈິງຂອງຮູບພາບແລະຊັ້ນຄາດຄະເນໂດຍຮູບແບບການນໍາໃຊ້ໂມດູນ matplotlib.pyplot.
ຟັງຊັນ "imshow" ຖືກນໍາໃຊ້ໂດຍສໍາລັບ loop ເພື່ອວາງແຜນແຕ່ລະຮູບທົດສອບ 10 ຊຸດທໍາອິດ. ຊື່ເປົ້າໝາຍ[y test[i]] ແລະຊັ້ນຮຽນທີ່ຄາດຄະເນ[i] ຖືກນໍາໃຊ້ເພື່ອກໍານົດຊັ້ນຮຽນຕົວຈິງຂອງຮູບພາບ ແລະຊັ້ນທີ່ຄາດຄະເນຕາມລໍາດັບ. ຫົວຂໍ້ຂອງແຕ່ລະຕອນແມ່ນສະແດງໂດຍການຈັດປະເພດເຫຼົ່ານີ້.
ສຸດທ້າຍ, ດິນຕອນຖືກສະແດງໂດຍໃຊ້ວິທີການ plt.show().
for i in range(10):
plt.imshow(X_test[i].reshape(62, 47), cmap='gray')
plt.title(f"True: {target_names[y_test[i]]}, Predicted:{predicted_classes[i]}")
plt.show()
ສະຫຼຸບ
TensorFlow ສະໜອງສະພາບແວດລ້ອມທີ່ສົມບູນ ແລະມີຄວາມຍືດຫຍຸ່ນໃນການສ້າງແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ.
ໂດຍການປັບປຸງແບບຈໍາລອງໃຫ້ສອດຄ່ອງກັບຄວາມຕ້ອງການສະເພາະຫຼືໂດຍການເພີ່ມການພັດທະນາໃຫມ່ໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ຄວາມຖືກຕ້ອງຂອງຕົວແບບອາດຈະເພີ່ມຂຶ້ນຕື່ມອີກ.
TensorFlow ແລະການຮັບຮູ້ໃບ ໜ້າ ອາດຈະຖືກ ນຳ ໃຊ້ຫຼາຍຂຶ້ນໃນອຸດສາຫະ ກຳ ເຊັ່ນ: ລະບົບຄວາມປອດໄພ, ການພິສູດຢືນຢັນທາງຊີວະພາບ, ແລະການດູແລສຸຂະພາບໃນອະນາຄົດ. ພວກເຮົາຈະເຫັນການປະດິດສ້າງທີ່ໜ້າສົນໃຈໃນໄວໆນີ້.
ອອກຈາກ Reply ເປັນ