မာတိကာ[ဖျောက်][ရှိုး]
- ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းဆိုသည်မှာ အဘယ်နည်း။
- ရုပ်ပုံအမျိုးအစားခွဲခြားမှု မည်သို့လုပ်ဆောင်သနည်း။
Python တွင် Tensorflow & Keras ကို အသုံးပြု၍ ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်း။+-
- 1. လိုအပ်ချက်များ ထည့်သွင်းခြင်း။
- 2. မှီခိုတင်သွင်းခြင်း။
- 3. ကန့်သတ်ဘောင်များကို စတင်ခြင်း။
- 4. ဒေတာအတွဲကို တင်ခြင်း။
- 5. မော်ဒယ်ဖန်တီးခြင်း။
- 6. မော်ဒယ်သင်တန်း
- စံပြစမ်းသပ်
- 7. စမ်းသပ်ရန်အတွက် utilities များတင်သွင်းခြင်း။
- 8. python လမ်းညွှန်တစ်ခုပြုလုပ်ခြင်း။
- 9. စမ်းသပ်ဒေတာ & မော်ဒယ်ကို တင်နေသည်။
- 10. အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းချက်
- 11 ။ ရလဒ်များ
- ကောက်ချက်
ကျွန်ုပ်တို့သည် စက်ရုပ်များကို နမူနာအားဖြင့် သင်ယူနိုင်ပြီး ၎င်းတို့၏ပတ်ဝန်းကျင်ကို သိရှိနားလည်နိုင်စေရန် ကျွန်ုပ်တို့၏ မွေးရာပါစွမ်းရည်များဖြင့် စက်ရုပ်များကို ထုံမွှမ်းထားနိုင်သည်ကို သိရှိရခြင်းမှာ စိတ်ချစေပါသည်။ အခြေခံစိန်ခေါ်မှုမှာ လူသားများသည် အချိန်နှင့် ကြိုးစားအားထုတ်မှု ပိုမိုလိုအပ်လာသကဲ့သို့ “မြင်နိုင်စေရန်” ကွန်ပျူတာများကို သင်ကြားပို့ချပေးသော စိန်ခေါ်မှုဖြစ်သည်။
သို့သော်၊ ဤကျွမ်းကျင်မှုသည် အဖွဲ့အစည်းများနှင့် လုပ်ငန်းများအတွက် လက်ရှိပေးနေသော လက်တွေ့ကျသောတန်ဖိုးကို သုံးသပ်သောအခါ၊ ကြိုးစားအားထုတ်မှုသည် ထိုက်တန်ပါသည်။ ဤဆောင်းပါးတွင်၊ ရုပ်ပုံအမျိုးအစားခွဲခြင်း၊ မည်ကဲ့သို့အလုပ်လုပ်ပုံနှင့် ၎င်း၏လက်တွေ့အကောင်အထည်ဖော်မှုအကြောင်း သင်လေ့လာပါမည်။ စလိုက်ရအောင်။
ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းဆိုသည်မှာ အဘယ်နည်း။
ပုံတစ်ပုံကို ကျွေးတဲ့အလုပ် အာရုံကြောကွန်ယက်ကို ရုပ်ပုံအတွက် အညွှန်းပုံစံအချို့ကို ထုတ်လွှတ်လိုက်ခြင်းကို image recognition ဟုခေါ်သည်။ ကွန်ရက်၏ အထွက်အညွှန်းတံဆိပ်သည် ကြိုတင်သတ်မှတ်ထားသော အတန်းအစားနှင့် ကိုက်ညီမည်ဖြစ်သည်။
ပုံတွင် သတ်မှတ်ထားသော အတန်းများစွာရှိနိုင်သည်၊ သို့မဟုတ် ရိုးရိုးတစ်ခုဖြစ်သည်။ အတန်းတစ်ခုသာရှိသောအခါ၊ "အသိအမှတ်ပြုခြင်း" ဟူသောအသုံးအနှုန်းကို မကြာခဏအသုံးပြုလေ့ရှိသော်လည်း အတန်းများစွာရှိသောအခါ၊ "အမျိုးအစားခွဲခြားခြင်း" ဟူသောအသုံးအနှုန်းကို မကြာခဏအသုံးပြုသည်။
အရာဝတ္ထု ထောက်လှမ်းခြင်း။ တိရစ္ဆာန်များ၊ မော်တော်ယဉ်များ သို့မဟုတ် လူသားများကဲ့သို့ ပေးထားသည့် အတန်းအစားမှ အရာဝတ္ထုများ၏ သီးခြားဖြစ်ရပ်များကို ရှာဖွေတွေ့ရှိသည့် ရုပ်ပုံအမျိုးအစားခွဲခြင်း၏ အစုခွဲတစ်ခုဖြစ်သည်။
ရုပ်ပုံအမျိုးအစားခွဲခြားမှု မည်သို့လုပ်ဆောင်သနည်း။
pixels ပုံစံဖြင့် ပုံတစ်ပုံကို ကွန်ပျူတာဖြင့် ခွဲခြမ်းစိတ်ဖြာသည်။ ပုံအား ရုပ်ပုံကြည်လင်ပြတ်သားမှုဖြင့် ဆုံးဖြတ်သည့် အရွယ်အစားကို matrices အစုအဝေးအဖြစ် သတ်မှတ်ခြင်းဖြင့် ၎င်းသည် ၎င်းကို ပြီးမြောက်စေသည်။ ရိုးရိုးရှင်းရှင်းပြောရလျှင် ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းသည် ကွန်ပျူတာ၏ရှုထောင့်မှ algorithms ကိုအသုံးပြု၍ ကိန်းဂဏန်းအချက်အလက်များကို လေ့လာခြင်းဖြစ်သည်။
ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းကို ကြိုတင်သတ်မှတ်ထားသောအုပ်စုများ သို့မဟုတ် "အတန်းများ" အဖြစ် pixels များအုပ်စုဖွဲ့ခြင်းဖြင့် ဒစ်ဂျစ်တယ်ရုပ်ပုံလုပ်ဆောင်ခြင်းတွင် ပြီးမြောက်သည်။ အယ်လဂိုရီသမ်များသည် ရုပ်ပုံအား မှတ်သားဖွယ်ဝိသေသလက္ခဏာများ ဆက်တိုက်ခွဲဝေပေးကာ နောက်ဆုံးအမျိုးအစားခွဲခြားမှုအတွက် ဝန်ထုပ်ဝန်ပိုးကို လျှော့ချပေးသည်။
ဤအရည်အသွေးများသည် ပုံ၏အဓိပ္ပာယ်နှင့် ဖြစ်နိုင်ချေ အမျိုးအစားခွဲခြားခြင်းအကြောင်း အမျိုးအစားခွဲခြားမှုကို အသိပေးသည်။ ပုံတစ်ပုံကို အမျိုးအစားခွဲရာတွင် ကျန်လုပ်ငန်းစဉ်များသည် ၎င်းပေါ်တွင်မူတည်သောကြောင့်၊ ဝိသေသထုတ်ယူသည့်နည်းလမ်းသည် အရေးကြီးဆုံးအဆင့်ဖြစ်သည်။
အဆိုပါ ဒေတာပေးထားသည်။ အထူးသဖြင့် ကြီးကြပ်ထားသော အမျိုးအစားခွဲခြားခြင်းတွင် ရုပ်ပုံအမျိုးအစားခွဲခြားရာတွင်လည်း အရေးကြီးပါသည်။ အတန်းအစား နိမ့်သော ရုပ်ပုံနှင့် မှတ်ချက်အရည်အသွေးအပေါ် အခြေခံ၍ ဒေတာမညီမျှမှုရှိသော ကြောက်မက်ဖွယ်ကောင်းသော ဒေတာအတွဲနှင့် နှိုင်းယှဉ်လျှင် ကောင်းမွန်စွာ အကောင်းမွန်ဆုံး အမျိုးအစားခွဲသည့် ဒေတာအတွဲသည် ချီးကျူးဖွယ်ရာ လုပ်ဆောင်ပါသည်။
Python တွင် Tensorflow & Keras ကို အသုံးပြု၍ ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်း။
ကျွန်ုပ်တို့အသုံးပြုပါမည်။ CIFAR-10 ဒေတာအစုံ (လေယာဉ်၊ လေယာဉ်ပျံ၊ ငှက်များနှင့် အခြားအရာ ၇ ခု ပါ၀င်သည်)။
1. လိုအပ်ချက်များ ထည့်သွင်းခြင်း။
အောက်ဖော်ပြပါကုဒ်သည် လိုအပ်ချက်များအားလုံးကို ထည့်သွင်းပေးမည်ဖြစ်သည်။
2. မှီခိုတင်သွင်းခြင်း။
Python တွင် train.py ဖိုင်တစ်ခု ပြုလုပ်ပါ။ အောက်ဖော်ပြပါကုဒ်သည် Tensorflow နှင့် Keras မှီခိုမှုကို တင်သွင်းမည်ဖြစ်သည်။
3. ကန့်သတ်ဘောင်များကို စတင်ခြင်း။
CIFAR-10 တွင် ရုပ်ပုံအမျိုးအစား 10 ခုသာ ပါ၀င်သောကြောင့် ဂဏန်းအတန်းများသည် အမျိုးအစားခွဲရန် အမျိုးအစားအရေအတွက်ကို ရည်ညွှန်းပါသည်။
4. ဒေတာအတွဲကို တင်ခြင်း။
လုပ်ဆောင်ချက်သည် ဒေတာအတွဲကို တင်ရန် Tensorflow Datasets မော်ဂျူးကို အသုံးပြုပြီး ၎င်းနှင့်ပတ်သက်သည့် အချက်အလက်အချို့ကို ရယူရန်အတွက် အချက်အလက်အချို့ကို True သို့ ကျွန်ုပ်တို့ သတ်မှတ်ထားပါသည်။ အကွက်များနှင့် ၎င်းတို့၏တန်ဖိုးများကို သိရှိရန် ၎င်းကို ပရင့်ထုတ်နိုင်ပြီး လေ့ကျင့်ရေးနှင့် စမ်းသပ်မှုအစုံရှိ နမူနာအရေအတွက်ကို ပြန်လည်ရယူရန် အချက်အလက်ကို ကျွန်ုပ်တို့ အသုံးပြုပါမည်။
5. မော်ဒယ်ဖန်တီးခြင်း။
ယခု ကျွန်ုပ်တို့သည် max-pooling နှင့် ReLU activation function ပါ၀င်သော ConvNets နှစ်ခုပါရှိသော အလွှာသုံးဆင့်ကို တည်ဆောက်မည်ဖြစ်ပြီး၊ ထို့နောက်တွင် အပြည့်အ၀ချိတ်ဆက်ထားသော 1024-ယူနစ်စနစ်ဖြင့် လုပ်ဆောင်ပါမည်။ ခေတ်မီဆန်းသစ်သော မော်ဒယ်များဖြစ်သည့် ResNet50 သို့မဟုတ် Xception နှင့် နှိုင်းယှဉ်ပါက၊ ၎င်းသည် နှိုင်းယှဥ်သေးငယ်သော မော်ဒယ်တစ်ခု ဖြစ်နိုင်သည်။
6. မော်ဒယ်သင်တန်း
အပိုင်းတစ်ခုစီရှိ တိကျမှုနှင့် ဆုံးရှုံးမှုများကို တိုင်းတာရန် Tensorboard ကို အသုံးပြုပြီး ဒေတာတင်သွင်းပြီး မော်ဒယ်ကို ထုတ်လုပ်ပြီးနောက် ချစ်စရာကောင်းသော မျက်နှာပြင်ကို ပေးဆောင်ပါသည်။ အောက်ပါကုဒ်ကို run ပါ။ သင်၏ CPU/GPU ပေါ်မူတည်၍ လေ့ကျင့်ရေးသည် မိနစ်များစွာ ကြာမည်ဖြစ်သည်။
tensorboard ကိုအသုံးပြုရန်၊ လက်ရှိ directory တွင် terminal သို့မဟုတ် command prompt တွင် အောက်ပါ command ကို ရိုက်ထည့်ရုံသာ။
အတည်ပြုခြင်း ဆုံးရှုံးမှု လျော့နည်းလာပြီး တိကျမှု 81% ခန့်အထိ မြင့်တက်လာသည်ကို သင်တွေ့ရပါမည်။ အဲဒါ အရမ်းကောင်းတယ်။
စံပြစမ်းသပ်
လေ့ကျင့်မှုပြီးသွားသောအခါ၊ နောက်ဆုံးပုံစံနှင့် အလေးများကို ရလဒ်ဖိုင်တွဲတွင် သိမ်းဆည်းထားပြီး၊ ကျွန်ုပ်တို့အား တစ်ကြိမ်လေ့ကျင့်ရန်နှင့် ရွေးချယ်သည့်အခါတိုင်း ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်စေမည်ဖြစ်သည်။ test.py အမည်ရှိ python ဖိုင်အသစ်တွင် ကုဒ်ကို လိုက်နာပါ။
7. စမ်းသပ်ရန်အတွက် utilities များတင်သွင်းခြင်း။
8. python လမ်းညွှန်တစ်ခုပြုလုပ်ခြင်း။
ကိန်းပြည့်တန်ဖိုးတစ်ခုစီကို ဒေတာအတွဲ၏ သင့်လျော်သော အညွှန်းသို့ ဘာသာပြန်ဆိုမည့် Python အဘိဓာန်ကို ပြုလုပ်ပါ-
9. စမ်းသပ်ဒေတာ & မော်ဒယ်ကို တင်နေသည်။
အောက်ပါကုဒ်သည် စမ်းသပ်မှုဒေတာနှင့် မော်ဒယ်ကို တင်ပါမည်။
10. အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းချက်
အောက်ပါကုဒ်သည် ဖားပုံများကို အကဲဖြတ်ပြီး ခန့်မှန်းပေးပါမည်။
11 ။ ရလဒ်များ
မော်ဒယ်သည် ဖားကို 80.62% တိကျမှုဖြင့် ခန့်မှန်းထားသည်။
ကောက်ချက်
ကောင်းပြီ၊ ဒီသင်ခန်းစာပြီးပါပြီ။ 80.62% သည် CNN အနည်းငယ်အတွက် မကောင်းသော်လည်း၊ မော်ဒယ်ကို ပြောင်းလဲရန် သို့မဟုတ် ပိုမိုကောင်းမွန်သောရလဒ်များရရှိရန်အတွက် ResNet50၊ Xception သို့မဟုတ် အခြားသော နောက်ဆုံးပေါ်မော်ဒယ်များကို ကြည့်ရန် ကျွန်ုပ် အခိုင်အမာ အကြံပြုအပ်ပါသည်။
ယခု သင် Keras တွင် သင်၏ ပထမဆုံး ရုပ်ပုံအသိအမှတ်ပြုခြင်းကွန်ရက်ကို တည်ဆောက်ခဲ့ပြီး၊ ကွဲပြားခြားနားသော ကန့်သတ်ချက်များသည် ၎င်း၏စွမ်းဆောင်ရည်အပေါ် မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို ရှာဖွေတွေ့ရှိရန် မော်ဒယ်ကို စမ်းသပ်သင့်သည်။
တစ်ဦးစာပြန်ရန် Leave