Классификация характера: Классификация характеров

  >>> from keyword import iskeyword
>>> iskeyword ('и')
Правда
  

Вот ключевые слова Python:

Дополнительную информацию о модулях Python см. На странице Модули и пакеты Python — Введение.Метод .isascii () был представлен в Python 3.7.

Вот как использовать str.isalnum () :

  >>> s = 'abc123'
>>> s.isalnum ()
Правда

>>> '' .isalnum ()
Ложь

>>> s = 'abc $ 123'
>>> s.isalnum ()
Ложь
  

Вот как использовать str.isalpha () :

  >>> s = 'ABCabc'
>>> s.isalpha ()
Правда

>>> s = 'ABC123'
>>> с.isalpha ()
Ложь
  

Вот как использовать str.isdigit () :

  >>> s = '123456'
>>> s.isdigit ()
Правда

>>> s = '123abc'
>>> s.isdigit ()
Ложь
  

Вот как использовать str.isidentifier () :

  >>> 'spam32'.isidentifier ()
Правда
>>> '32spam'.isidentifier ()
Ложь
>>> 'foo $ 32'.isidentifier ()
Ложь
>>> 'def'.identifier ()
Правда
  

Вот как использовать iskeyword () :

  >>> from keyword import iskeyword

>>> 'def'.isidentifier ()
Правда
>>> 'def'.iskeyword ()
Отслеживание (последний вызов последний):
  Файл "", строка 1, в 
    'def'.iskeyword ()
AttributeError: объект 'str' не имеет атрибута 'iskeyword'

>>> iskeyword ('def')
Правда
>>> iskeyword ('и')
Правда
>>> iskeyword ('spam32')
Ложь
  

Вот как использовать str.isprintable () :

  >>> s = 'a \ tb'
>>> s.isprintable ()
Ложь
>>> s = 'a b'
>>> с.isprintable ()
Правда
>>> s = ''
>>> s.isprintable ()
Правда
>>> s = 'а \ п б'
>>> s.isprintable ()
Ложь
  

Вот как использовать str.isspace () :

  >>> s = 'a \ n b'
>>> s.isspace ()
Ложь
>>> s = '\ t \ n'
>>> s.isspace ()
Правда
  

Вот как использовать str.istitle () :

  >>> s = 'И восходит солнце'
>>> с.istitle ()
Правда
>>> s = "Бургеры Боба!"
>>> s.istitle ()
Ложь
  

Вот как использовать str.islower () :

  >>> s = 'asdlkjgadb'
>>> s.islower ()
Правда
>>> s = "spamIsgood"
>>> s.islower ()
Ложь
  

Вот как использовать str.isupper () :

  >>> s = 'SPAMBACON'
>>> s.isupper ()
Правда
>>> s = "СПАМБЕКОН №1!"
>>> с.isupper ()
Правда
  

Вот как использовать str.isascii () :

  >>> s = 'ABCabc # $%'
>>> s.isascii ()
Правда
>>> '' .isascii ()
Правда
>>> '' .isascii ()
Правда
>>> '∑'.isascii ()
Ложь
  

Классификация символов | Документы Microsoft

• 03.08.2021
• 2 минуты на чтение

В этой статье

Каждая из этих подпрограмм проверяет указанный однобайтовый символ, широкий символ или многобайтовый символ на соответствие условию.(По определению набор символов ASCII от 0 до 127 является подмножеством всех наборов многобайтовых символов. Например, японская катакана включает символы ASCII, а также символы, отличные от ASCII.)

На условия тестирования влияет параметр LC_CTYPE категории параметра локали; см. setlocale для получения дополнительной информации. Версии этих функций без суффикса _l используют текущий языковой стандарт для этого зависящего от языкового стандарта поведения; версии с суффиксом _l идентичны, за исключением того, что вместо этого они используют переданный параметр локали.

Обычно эти процедуры выполняются быстрее, чем тесты, которые вы могли бы написать, и им следует отдавать предпочтение. Например, следующий код выполняется медленнее, чем вызов isalpha (c) :

  if ((c> = 'A') && (c <= 'Z')) || ((c> = 'a') && (c <= 'z'))
    вернуть ИСТИНА;
  

Процедуры классификации персонажей

См. Также

Универсальные подпрограммы выполнения C по категориям

Как разработать CNN для классификации рукописных цифр MNIST

Последнее обновление 24 августа 2020 г.

Как разработать сверточную нейронную сеть с нуля для классификации рукописных цифр MNIST.

Задача классификации рукописных цифр MNIST - это стандартный набор данных, используемый в компьютерном зрении и глубоком обучении.

Хотя набор данных эффективно решен, его можно использовать в качестве основы для обучения и практики разработки, оценки и использования сверточных нейронных сетей с глубоким обучением для классификации изображений с нуля. Это включает в себя то, как разработать надежную систему тестирования для оценки производительности модели, как изучить улучшения модели и как сохранить модель, а затем загрузить ее, чтобы делать прогнозы на новых данных.

В этом руководстве вы узнаете, как с нуля разработать сверточную нейронную сеть для классификации рукописных цифр.

После прохождения этого руководства вы будете знать:

• Как разработать тестовую программу для разработки надежной оценки модели и установления базового уровня производительности для задачи классификации.
• Как изучить расширения базовой модели для улучшения обучения и возможностей модели.
• Как разработать окончательную модель, оценить производительность окончательной модели и использовать ее для прогнозирования новых изображений.

Начните свой проект с моей новой книги «Глубокое обучение для компьютерного зрения», включающей пошаговых руководств и файлов исходного кода Python для всех примеров.

Приступим.

• Обновлено декабрь 2019 г. : обновленные примеры для TensorFlow 2.0 и Keras 2.3.
• Обновлено январь 2020 г. : исправлена ​​ошибка, из-за которой модели определялись вне цикла перекрестной проверки.

Как разработать сверточную нейронную сеть с нуля для классификации рукописных цифр MNIST
Фотография Ричарда Аллавея, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на пять частей; их:

1. Набор данных классификации рукописных цифр MNIST
2. Методология оценки модели
3. Как разработать базовую модель
4. Как разработать улучшенную модель
5. Как завершить модель и сделать прогнозы

Хотите результатов с помощью глубокого обучения для компьютерного зрения?

Пройдите мой бесплатный 7-дневный ускоренный курс электронной почты (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Нажмите здесь, чтобы подписаться

Среда разработки

В этом руководстве предполагается, что вы используете автономные Keras, работающие поверх TensorFlow с Python 3. Если вам нужна помощь в настройке среды разработки, см. Этот учебник:

Набор данных классификации рукописных цифр MNIST

Набор данных MNIST - это аббревиатура, обозначающая модифицированный набор данных Национального института стандартов и технологий.

Это набор данных из 60000 небольших квадратных изображений размером 28 × 28 пикселей в оттенках серого, состоящих из рукописных одиночных цифр от 0 до 9.

Задача состоит в том, чтобы отнести данное изображение рукописной цифры к одному из 10 классов, представляющих целые числа от 0 до 9 включительно.

Это широко используемый и хорошо изученный набор данных, по большей части это « решено, ». Самые эффективные модели - это сверточные нейронные сети с глубоким обучением, которые достигают точности классификации выше 99% с коэффициентом ошибок от 0.4% и 0,2% в тестовом наборе данных.

В приведенном ниже примере загружается набор данных MNIST с помощью API Keras и создается график первых девяти изображений в наборе обучающих данных.

# пример загрузки набора данных mnist from keras.datasets import mnist из matplotlib import pyplot # загрузить набор данных (trainX, trainy), (testX, testy) = mnist.load_data () # суммировать загруженный набор данных print ('Поезд: X =% s, y =% s'% (trainX.shape, trainy.shape)) print ('Тест: X =% s, y =% s'% (testX.shape, testy.shape)) # построить первые несколько изображений для i в диапазоне (9): # определить подзаговор pyplot.subplot (330 + 1 + я) # построить необработанные данные пикселей pyplot.imshow (trainX [i], cmap = pyplot.get_cmap ('серый')) # показать рисунок pyplot.show ()

При выполнении примера загружается набор данных для обучения и тестирования MNIST и распечатывается их форма.

Мы видим, что есть 60 000 примеров в наборе обучающих данных и 10 000 в наборе тестовых данных, и что изображения действительно квадратные с размером 28 × 28 пикселей.

Поезд: X = (60000, 28, 28), y = (60000,) Тест: X = (10000, 28, 28), y = (10000,)

Также создается график первых девяти изображений в наборе данных, показывающий естественный рукописный характер изображений, подлежащих классификации.

График подмножества изображений из набора данных MNIST

Методология оценки модели

Хотя набор данных MNIST эффективно решен, он может быть полезной отправной точкой для разработки и практики методологии решения задач классификации изображений с использованием сверточных нейронных сетей.

Вместо того, чтобы изучать литературу по хорошо работающим моделям в наборе данных, мы можем разработать новую модель с нуля.

В наборе данных уже есть четко определенный набор данных для обучения и тестирования, который мы можем использовать.

Чтобы оценить производительность модели для данного обучающего прогона, мы можем дополнительно разделить обучающий набор на набор данных для обучения и проверки. Затем можно построить график производительности набора данных по обучению и валидации для каждого прогона, чтобы представить кривые обучения и понять, насколько хорошо модель изучает проблему.

API Keras поддерживает это, указав аргумент « validation_data » функции model.fit () при обучении модели, которая, в свою очередь, вернет объект, описывающий производительность модели для выбранных потерь и метрики на каждую тренировочную эпоху.

# запись производительности модели в наборе данных проверки во время обучения history = model.fit (..., validation_data = (valX, valY))

Чтобы оценить производительность модели по проблеме в целом, мы можем использовать k-кратную перекрестную проверку, возможно, пятикратную перекрестную проверку.Это даст некоторый учет дисперсии моделей как в отношении различий в наборах данных для обучения и тестирования, так и в отношении стохастической природы алгоритма обучения. Производительность модели может быть принята как средняя производительность в k-кратном масштабе с учетом стандартного отклонения, которое при желании может быть использовано для оценки доверительного интервала.

Мы можем использовать класс KFold из scikit-learn API, чтобы реализовать k-кратную оценку перекрестной проверки данной модели нейронной сети.Есть много способов добиться этого, хотя мы можем выбрать гибкий подход, при котором класс KFold используется только для указания индексов строк, используемых для каждого вертела.

# пример k-кратного резюме для нейронной сети данные = ... # подготовить перекрестную проверку kfold = KFold (5, shuffle = True, random_state = 1) # перечислить разбиения для train_ix, test_ix в kfold.split (данные): модель = ... ...

Мы воздержимся от фактического набора тестовых данных и будем использовать его для оценки нашей окончательной модели.

Как разработать базовую модель

Первым шагом является разработка базовой модели.

Это критически важно, поскольку оно включает в себя разработку инфраструктуры для тестовой оснастки, чтобы любую модель, которую мы разрабатываем, можно было оценить в наборе данных, и устанавливает базовый уровень производительности модели по проблеме, с помощью которого можно сравнивать все улучшения.

Испытательная привязь имеет модульную конструкцию, и мы можем разработать отдельную функцию для каждой детали. Это позволяет при желании модифицировать или заменять данный аспект тестовой оснастки отдельно от остальных.

Мы можем разработать эту испытательную систему с пятью ключевыми элементами. Это загрузка набора данных, подготовка набора данных, определение модели, оценка модели и представление результатов.

Загрузить набор данных

Мы кое-что знаем о наборе данных.

Например, мы знаем, что все изображения предварительно выровнены (например, каждое изображение содержит только нарисованную вручную цифру), что все изображения имеют одинаковый квадратный размер 28 × 28 пикселей и что изображения имеют оттенки серого.

Следовательно, мы можем загружать изображения и изменять форму массивов данных, чтобы они имели единственный цветовой канал.

# загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = поездX.изменить форму ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1))

Мы также знаем, что существует 10 классов и что классы представлены как уникальные целые числа.

Таким образом, мы можем использовать одно горячее кодирование для элемента класса каждой выборки, преобразовывая целое число в двоичный вектор из 10 элементов с 1 для индекса значения класса и 0 значений для всех других классов. Этого можно добиться с помощью служебной функции to_categorical () .

# одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY)

Функция load_dataset () реализует это поведение и может использоваться для загрузки набора данных.

# загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = trainX.reshape ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) возврат trainX, trainY, testX, testY

Подготовка пиксельных данных

Мы знаем, что значения пикселей для каждого изображения в наборе данных представляют собой целые числа без знака в диапазоне от черного до белого или от 0 до 255.

Мы не знаем наилучшего способа масштабирования значений пикселей для моделирования, но мы знаем, что потребуется некоторое масштабирование.

Хорошей отправной точкой является нормализация значений пикселей изображений в градациях серого, например масштабируйте их до диапазона [0,1]. Это включает в себя сначала преобразование типа данных из целых чисел без знака в числа с плавающей запятой, а затем деление значений пикселей на максимальное значение.

# преобразовать целые числа в числа с плавающей запятой train_norm = train.astype ('float32') test_norm = тест.astype ('float32') # нормализовать до диапазона 0-1 train_norm = train_norm / 255.0 test_norm = test_norm / 255.0

Функция Prep_pixels () ниже реализует это поведение и предоставляет значения пикселей как для обучающего, так и для тестового наборов данных, которые необходимо масштабировать.

# масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = train.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 train_norm = train_norm / 255.0 test_norm = test_norm / 255.0 # вернуть нормализованные изображения возврат train_norm, test_norm

Эта функция должна быть вызвана для подготовки значений пикселей перед любым моделированием.

Определить модель

Затем нам нужно определить базовую модель сверточной нейронной сети для проблемы.

Модель имеет два основных аспекта: интерфейс извлечения признаков, состоящий из сверточных слоев и слоев пула, и серверный модуль классификатора, который будет делать прогноз.

Для сверточного интерфейса мы можем начать с одного сверточного слоя с небольшим размером фильтра (3,3) и скромным количеством фильтров (32), за которым следует максимальный слой объединения. Затем карты фильтров могут быть сглажены, чтобы предоставить классификатору функции.

Учитывая, что проблема заключается в задаче классификации нескольких классов, мы знаем, что нам потребуется выходной слой с 10 узлами, чтобы предсказать распределение вероятностей изображения, принадлежащего каждому из 10 классов.Это также потребует использования функции активации softmax. Между экстрактором признаков и выходным слоем мы можем добавить плотный слой для интерпретации признаков, в данном случае со 100 узлами.

Все уровни будут использовать функцию активации ReLU и схему инициализации веса He, оба являются передовыми методами.

Мы будем использовать консервативную конфигурацию оптимизатора стохастического градиентного спуска со скоростью обучения 0,01 и импульсом 0,9. Категориальная функция кросс-энтропийных потерь будет оптимизирована, подходящая для мультиклассовой классификации, и мы будем отслеживать метрику точности классификации, которая подходит, учитывая, что у нас одинаковое количество примеров в каждом из 10 классов.

Функция define_model () ниже определит и вернет эту модель.

# определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (MaxPooling2D ((2, 2))) model.add (Сглаживание ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0.01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) вернуть модель

Оценить модель

После того, как модель определена, нам нужно ее оценить.

Модель будет оцениваться с использованием пятикратной перекрестной проверки.Значение k = 5 было выбрано, чтобы обеспечить основу как для повторной оценки, так и не быть настолько большим, чтобы требовать длительного времени. Каждый набор тестов будет составлять 20% обучающего набора данных или около 12 000 примеров, что близко к размеру фактического набора тестов для этой задачи.

Обучающий набор данных перетасовывается перед разделением, и выборка перетасовывается каждый раз, так что любая модель, которую мы оцениваем, будет иметь одни и те же обучающие и тестовые наборы данных в каждом сгибе, обеспечивая сравнение моделей между яблоками и яблоками.

Мы обучим базовую модель для скромных 10 эпох обучения с размером пакета по умолчанию из 32 примеров. Набор тестов для каждой свертки будет использоваться для оценки модели как в каждую эпоху тренировочного прогона, чтобы мы могли позже создать кривые обучения, так и в конце прогона, чтобы мы могли оценить производительность модели. Таким образом, мы будем отслеживать итоговую историю каждого запуска, а также точность классификации сгиба.

Функция extract_model () ниже реализует это поведение, принимая набор обучающих данных в качестве аргументов и возвращая список оценок точности и историй обучения, которые могут быть затем обобщены.

# оценить модель с помощью k-кратной перекрестной проверки def оценивать_модель (dataX, dataY, n_folds = 5): оценки, истории = список (), список () # подготовить перекрестную проверку kfold = KFold (n_folds, shuffle = True, random_state = 1) # перечислить разбиения для train_ix, test_ix в kfold.split (dataX): # определить модель модель = define_model () # выбираем строки для обучения и тестирования trainX, trainY, testX, testY = dataX [train_ix], dataY [train_ix], dataX [test_ix], dataY [test_ix] # подходящая модель история = модель.fit (trainX, trainY, epochs = 10, batch_size = 32, validation_data = (testX, testY), verbose = 0) # оценить модель _, acc = model.evaluate (testX, testY, verbose = 0) print ('>% .3f'% (согласно * 100.0)) Результаты в # магазинах scores.append (acc) history.append (история) вернуть результаты, истории

Представить результаты

После того, как модель будет оценена, мы можем представить результаты.

Необходимо представить два ключевых аспекта: диагностику обучающего поведения модели во время обучения и оценку производительности модели. Их можно реализовать с помощью отдельных функций.

Во-первых, диагностика включает создание линейного графика, показывающего производительность модели на поезде и наборе тестов во время каждого раза k-кратной перекрестной проверки. Эти графики полезны для понимания того, соответствует ли модель избыточному, недостаточному или хорошо подходит для набора данных.

Мы создадим одну фигуру с двумя частями графика, одна для потерь, а другая для точности. Синие линии будут указывать на производительность модели в наборе обучающих данных, а оранжевые линии - на производительность на удерживаемом наборе тестовых данных.Функция summarize_diagnostics () ниже создает и показывает этот график с учетом собранных историй обучения.

# построить диагностические кривые обучения def summarize_diagnostics (истории): для i в диапазоне (len (истории)): # потеря сюжета pyplot.subplot (2, 1, 1) pyplot.title ('потеря перекрестной энтропии') pyplot.plot (history [i] .history ['loss'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_loss'], color = 'orange', label = 'test') # точность сюжета пиплот.подзаговор (2, 1, 2) pyplot.title ('Точность классификации') pyplot.plot (history [i] .history ['точность'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_accuracy'], color = 'orange', label = 'test') pyplot.show ()

Затем оценки точности классификации, полученные во время каждой кратности, можно суммировать, вычислив среднее значение и стандартное отклонение. Это обеспечивает оценку средней ожидаемой производительности модели, обученной на этом наборе данных, с оценкой средней дисперсии в среднем. Мы также подведем итоги распределения оценок, создав и отобразив график в виде прямоугольников и усов.

Функция summarize_performance () ниже реализует это для заданного списка оценок, собранных во время оценки модели.

# подвести итоги работы модели def summarize_performance (баллы): # распечатать сводку print ('Точность: среднее =%. 3f std =%. 3f, n =% d'% (среднее (баллы) * 100, стандартное (баллы) * 100, len (баллы))) # график результатов в виде квадратов и усов pyplot.boxplot (баллы) pyplot.show ()

Полный пример

Нам нужна функция, которая будет управлять тестовым жгутом.

Это включает вызов всех функций определения.

# запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # оценить модель оценки, истории = оценка_модель (trainX, trainY) # кривые обучения summarize_diagnostics (истории) # подвести итоги расчетной производительности summarize_performance (баллы)

Теперь у нас есть все необходимое; Полный пример кода для базовой модели сверточной нейронной сети в наборе данных MNIST приведен ниже.

# базовая модель cnn для mnist из среднего значения импорта из numpy import std из matplotlib import pyplot из sklearn.model_selection импорт KFold from keras.datasets import mnist from keras.utils import to_categorical из keras.models импортировать Последовательный из keras.layers импортировать Conv2D из keras.layers импорт MaxPooling2D из keras.layers import Плотный из keras.layers import Flatten от keras.optimizers импортные SGD # загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = trainX.reshape ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) вернуть trainX, trainY, testX, testY # масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = train.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 поезд_норм = поезд_норм / 255.0 test_norm = test_norm / 255.0 # вернуть нормализованные изображения вернуть train_norm, test_norm # определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (MaxPooling2D ((2, 2))) model.add (Сглаживание ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0.01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) модель возврата # оценить модель с помощью k-кратной перекрестной проверки def оценивать_модель (dataX, dataY, n_folds = 5): оценки, истории = список (), список () # подготовить перекрестную проверку kfold = KFold (n_folds, shuffle = True, random_state = 1) # перечислить разбиения для train_ix, test_ix в kfold.split (dataX): # определить модель модель = define_model () # выбираем строки для обучения и тестирования trainX, trainY, testX, testY = dataX [train_ix], dataY [train_ix], dataX [test_ix], dataY [test_ix] # подходящая модель история = модель.fit (trainX, trainY, epochs = 10, batch_size = 32, validation_data = (testX, testY), verbose = 0) # оценить модель _, acc = model.evaluate (testX, testY, verbose = 0) print ('>% .3f'% (согласно * 100.0)) Результаты в # магазинах scores.append (acc) history.append (история) вернуть оценки, истории # построить диагностические кривые обучения def summarize_diagnostics (истории): для i в диапазоне (len (истории)): # потеря сюжета pyplot.subplot (2, 1, 1) пиплот.title («Перекрестная потеря энтропии») pyplot.plot (history [i] .history ['loss'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_loss'], color = 'orange', label = 'test') # точность сюжета pyplot.subplot (2, 1, 2) pyplot.title ('Точность классификации') pyplot.plot (history [i] .history ['точность'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_accuracy'], color = 'orange', label = 'test') pyplot.show () # подвести итоги работы модели def summarize_performance (баллы): # распечатать сводку print ('Точность: среднее =%.3f std =%. 3f, n =% d '% (среднее (баллы) * 100, стандартное (баллы) * 100, len (баллы))) # график результатов в виде квадратов и усов pyplot.boxplot (баллы) pyplot.show () # запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # оценить модель оценки, истории = оценка_модель (trainX, trainY) # кривые обучения summarize_diagnostics (истории) # подвести итоги расчетной производительности summarize_performance (баллы) # точка входа, запускаем тестовый жгут run_test_harness ()

При выполнении примера печатается точность классификации для каждого этапа процесса перекрестной проверки.Это помогает понять, что оценка модели продолжается.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Мы можем видеть два случая, когда модель достигает безупречного мастерства, и один случай, когда она достигла точности ниже 98%. Это хорошие результаты.

> 98.550 > 98,600 > 98,642 > 98,850 > 98,742

Затем показан диагностический график, дающий представление о поведении модели при обучении по каждой складке.

В этом случае мы видим, что модель в целом хорошо подходит, с сходящимися кривыми обучения и тестирования.Нет явных признаков переоборудования или недостаточного оснащения.

Кривые потерь и обучения точности для базовой модели во время перекрестной проверки k-Fold

Затем рассчитывается сводная характеристика модели.

Мы видим, что в этом случае оценка модели составляет около 98,6%, что является разумным.

Точность: среднее значение = 98,677 стандартное отклонение = 0,107, n = 5

Наконец, создается диаграмма в виде прямоугольников и усов, чтобы суммировать распределение оценок точности.

Ящик и диаграмма усов для оценок точности для базовой модели, оцененных с помощью перекрестной проверки k-Fold

Теперь у нас есть надежная испытательная система и хорошо работающая базовая модель.

Как разработать улучшенную модель

Есть много способов улучшить базовую модель.

Мы рассмотрим области конфигурации модели, которые часто приводят к улучшениям, так называемым низко висящим плодам.Первый - это изменение алгоритма обучения, а второй - увеличение глубины модели.

Улучшение обучения

Есть много аспектов алгоритма обучения, которые можно изучить для улучшения.

Возможно, наиболее важным преимуществом является скорость обучения, например оценка влияния меньших или больших значений скорости обучения, а также расписания, которые изменяют скорость обучения во время обучения.

Другой подход, который может быстро ускорить изучение модели и привести к значительному повышению производительности, - это пакетная нормализация.Мы оценим влияние пакетной нормализации на нашу базовую модель.

Пакетную нормализацию можно использовать после сверточных и полносвязных слоев. Это имеет эффект изменения распределения выходных данных слоя, в частности, путем стандартизации выходных данных. Это стабилизирует и ускоряет процесс обучения.

Мы можем обновить определение модели, чтобы использовать пакетную нормализацию после функции активации для сверточных и плотных слоев нашей базовой модели.Обновленная версия функции define_model () с пакетной нормализацией приведена ниже.

# определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (BatchNormalization ()) model.add (MaxPooling2D ((2, 2))) model.add (Сглаживание ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) модель.добавить (BatchNormalization ()) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0,01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) вернуть модель

Полный список кода с этим изменением представлен ниже.

# модель cnn с пакетной нормализацией для mnist из среднего значения импорта из numpy import std из matplotlib import pyplot из sklearn.model_selection импорт KFold from keras.datasets import mnist from keras.utils import to_categorical из keras.models импортировать Последовательный из keras.layers импортировать Conv2D из keras.layers импорт MaxPooling2D из keras.layers import Плотный из keras.layers import Flatten из кераса.оптимизаторы импортируют SGD из keras.layers import BatchNormalization # загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = trainX.reshape ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) вернуть trainX, trainY, testX, testY # масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = поезд.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 train_norm = train_norm / 255.0 test_norm = test_norm / 255.0 # вернуть нормализованные изображения вернуть train_norm, test_norm # определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (BatchNormalization ()) model.add (MaxPooling2D ((2, 2))) модель.добавить (Flatten ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (BatchNormalization ()) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0,01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) модель возврата # оценить модель с помощью k-кратной перекрестной проверки def оценивать_модель (dataX, dataY, n_folds = 5): оценки, истории = список (), список () # подготовить перекрестную проверку kfold = KFold (n_folds, shuffle = True, random_state = 1) # перечислить разбиения для train_ix, test_ix в kfold.split (dataX): # определить модель модель = define_model () # выбираем строки для обучения и тестирования trainX, trainY, testX, testY = dataX [train_ix], dataY [train_ix], dataX [test_ix], dataY [test_ix] # подходящая модель history = model.fit (trainX, trainY, epochs = 10, batch_size = 32, validation_data = (testX, testY), verbose = 0) # оценить модель _, acc = model.evaluate (testX, testY, verbose = 0) print ('>% .3f'% (согласно * 100.0)) Результаты в # магазинах scores.append (acc) истории.добавить (история) вернуть оценки, истории # построить диагностические кривые обучения def summarize_diagnostics (истории): для i в диапазоне (len (истории)): # потеря сюжета pyplot.subplot (2, 1, 1) pyplot.title ('потеря перекрестной энтропии') pyplot.plot (history [i] .history ['loss'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_loss'], color = 'orange', label = 'test') # точность сюжета pyplot.subplot (2, 1, 2) pyplot.title ('Точность классификации') пиплот.сюжет (истории [i]. история ['точность'], цвет = 'синий', метка = 'поезд') pyplot.plot (history [i] .history ['val_accuracy'], color = 'orange', label = 'test') pyplot.show () # подвести итоги работы модели def summarize_performance (баллы): # распечатать сводку print ('Точность: среднее =%. 3f std =%. 3f, n =% d'% (среднее (баллы) * 100, стандартное (баллы) * 100, len (баллы))) # график результатов в виде квадратов и усов pyplot.boxplot (баллы) pyplot.show () # запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # оценить модель оценки, истории = оценка_модель (trainX, trainY) # кривые обучения summarize_diagnostics (истории) # подвести итоги расчетной производительности summarize_performance (баллы) # точка входа, запускаем тестовый жгут run_test_harness ()

Повторный запуск примера сообщает о производительности модели для каждого этапа процесса перекрестной проверки.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Мы можем увидеть, возможно, небольшое снижение производительности модели по сравнению с базовой линией во всех сегментах перекрестной проверки.

> 98,475 > 98,608 > 98,683 > 98,783 > 98,667

Создается график кривых обучения, в данном случае показывающий, что скорость обучения (улучшение по эпохам) не отличается от базовой модели.

Графики показывают, что пакетная нормализация, по крайней мере, реализованная в этом случае, не дает никаких преимуществ.

Кривые потерь и точности для модели BatchNormalization во время перекрестной проверки k-Fold

Далее представлена ​​расчетная производительность модели, показывающая производительность с небольшим снижением средней точности модели: 98.643 по сравнению с 98,677 в базовой модели.

Точность: среднее значение = 98,643 стандартное отклонение = 0,101, n = 5

Ящик и усовидный график оценок точности для модели BatchNormalization, оцененной с использованием перекрестной проверки k-Fold

Увеличение глубины модели

Есть много способов изменить конфигурацию модели, чтобы изучить улучшения по сравнению с базовой моделью.

Два общих подхода включают изменение емкости части модели извлечения признаков или изменение емкости или функции части классификатора модели. Возможно, наибольшее влияние оказало изменение средства извлечения признаков.

Мы можем увеличить глубину части модели экстрактора признаков, следуя VGG-подобному шаблону добавления дополнительных сверточных и объединяющих слоев с фильтром того же размера, увеличивая при этом количество фильтров. В этом случае мы добавим двойной сверточный слой с 64 фильтрами каждый, а затем еще один слой максимального объединения.

Обновленная версия функции define_model () с этим изменением приведена ниже.

# определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (MaxPooling2D ((2, 2))) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) модель.добавить (MaxPooling2D ((2, 2))) model.add (Сглаживание ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0,01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) вернуть модель

Для полноты, ниже приведен полный листинг кода, включая это изменение.

# более глубокая модель cnn для mnist из среднего значения импорта из numpy import std из matplotlib import pyplot из склеарна.model_selection импорт KFold from keras.datasets import mnist from keras.utils import to_categorical из keras.models импортировать Последовательный из keras.layers импортировать Conv2D из keras.layers импорт MaxPooling2D из keras.layers import Плотный из keras.layers import Flatten от keras.optimizers импортные SGD # загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = поездX.изменить форму ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) вернуть trainX, trainY, testX, testY # масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = train.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 train_norm = train_norm / 255.0 тест_норма = тест_норм / 255.0 # вернуть нормализованные изображения вернуть train_norm, test_norm # определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (MaxPooling2D ((2, 2))) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (MaxPooling2D ((2, 2))) модель.добавить (Flatten ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0,01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) модель возврата # оценить модель с помощью k-кратной перекрестной проверки def оценивать_модель (dataX, dataY, n_folds = 5): оценки, истории = список (), список () # подготовить перекрестную проверку kfold = KFold (n_folds, shuffle = True, random_state = 1) # перечислить разбиения для train_ix, test_ix в kfold.split (dataX): # определить модель модель = define_model () # выбираем строки для обучения и тестирования trainX, trainY, testX, testY = dataX [train_ix], dataY [train_ix], dataX [test_ix], dataY [test_ix] # подходящая модель history = model.fit (trainX, trainY, epochs = 10, batch_size = 32, validation_data = (testX, testY), verbose = 0) # оценить модель _, acc = model.evaluate (testX, testY, verbose = 0) print ('>% .3f'% (согласно * 100.0)) Результаты в # магазинах scores.append (acc) истории.добавить (история) вернуть оценки, истории # построить диагностические кривые обучения def summarize_diagnostics (истории): для i в диапазоне (len (истории)): # потеря сюжета pyplot.subplot (2, 1, 1) pyplot.title ('потеря перекрестной энтропии') pyplot.plot (history [i] .history ['loss'], color = 'blue', label = 'train') pyplot.plot (history [i] .history ['val_loss'], color = 'orange', label = 'test') # точность сюжета pyplot.subplot (2, 1, 2) pyplot.title ('Точность классификации') пиплот.сюжет (истории [i]. история ['точность'], цвет = 'синий', метка = 'поезд') pyplot.plot (history [i] .history ['val_accuracy'], color = 'orange', label = 'test') pyplot.show () # подвести итоги работы модели def summarize_performance (баллы): # распечатать сводку print ('Точность: среднее =%. 3f std =%. 3f, n =% d'% (среднее (баллы) * 100, стандартное (баллы) * 100, len (баллы))) # график результатов в виде квадратов и усов pyplot.boxplot (баллы) pyplot.show () # запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # оценить модель оценки, истории = оценка_модель (trainX, trainY) # кривые обучения summarize_diagnostics (истории) # подвести итоги расчетной производительности summarize_performance (баллы) # точка входа, запускаем тестовый жгут run_test_harness ()

Запуск примера показывает производительность модели для каждого этапа процесса перекрестной проверки.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Оценка на кратность может указывать на некоторое улучшение по сравнению с исходным уровнем.

> 99,058 > 99,042 > 98,883 > 99,192 > 99,133

Создается график кривых обучения, в данном случае показывающий, что модели по-прежнему хорошо подходят для задачи без явных признаков переобучения. Сюжеты могут даже предполагать, что дальнейшие тренировочные эпохи могут быть полезны.

Кривые потерь и обучения точности для более глубокой модели во время перекрестной проверки k-Fold

Далее представлена ​​расчетная производительность модели, показывающая небольшое улучшение производительности по сравнению с базовой версией 98.От 677 до 99,062, с небольшим падением стандартного отклонения.

Точность: среднее значение = 99,062 стандартное отклонение = 0,104, n = 5

Ящик и диаграмма усов для оценок точности для более глубокой модели, оцененных с помощью перекрестной проверки k-Fold

Как завершить модель и сделать прогнозы

Процесс улучшения модели может продолжаться до тех пор, пока у нас есть идеи, а также время и ресурсы для их проверки.

В какой-то момент должна быть выбрана и принята окончательная конфигурация модели. В этом случае мы выберем более глубокую модель в качестве нашей окончательной модели.

Сначала мы завершим нашу модель, но подгоним модель ко всему набору обучающих данных и сохраним модель в файл для дальнейшего использования. Затем мы загрузим модель и оценим ее производительность на имеющемся тестовом наборе данных, чтобы получить представление о том, насколько хорошо выбранная модель действительно работает на практике. Наконец, мы будем использовать сохраненную модель, чтобы сделать прогноз на одном изображении.

Сохранить окончательную модель

Окончательная модель обычно подходит для всех доступных данных, таких как комбинация всех наборов данных для поездов и тестов.

В этом руководстве мы намеренно удерживаем тестовый набор данных, чтобы мы могли оценить производительность окончательной модели, что может быть хорошей идеей на практике. Таким образом, мы подгоним нашу модель только к набору обучающих данных.

# подходящая модель model.fit (trainX, trainY, epochs = 10, batch_size = 32, verbose = 0)

После подгонки мы можем сохранить окончательную модель в файл H5, вызвав для модели функцию save () и передав выбранное имя файла.

# сохранить модель model.save ('final_model.h5')

Обратите внимание, что для сохранения и загрузки модели Keras требуется, чтобы на вашей рабочей станции была установлена ​​библиотека h5py.

Полный пример подгонки окончательной глубинной модели к набору обучающих данных и ее сохранения в файл приведен ниже.

# сохраняем окончательную модель в файл from keras.datasets import mnist from keras.utils import to_categorical из keras.models импортировать Последовательный из keras.layers импортировать Conv2D из keras.layers импорт MaxPooling2D из keras.layers import Плотный из keras.layers import Flatten от keras.optimizers импортные SGD # загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = trainX.reshape ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) вернуть trainX, trainY, testX, testY # масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = train.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 поезд_норм = поезд_норм / 255.0 test_norm = test_norm / 255.0 # вернуть нормализованные изображения вернуть train_norm, test_norm # определить модель cnn def define_model (): model = Последовательный () model.add (Conv2D (32, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform', input_shape = (28, 28, 1))) model.add (MaxPooling2D ((2, 2))) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Conv2D (64, (3, 3), активация = 'relu', kernel_initializer = 'he_uniform')) модель.добавить (MaxPooling2D ((2, 2))) model.add (Сглаживание ()) model.add (Dense (100, активация = 'relu', kernel_initializer = 'he_uniform')) model.add (Плотный (10, активация = 'softmax')) # скомпилировать модель opt = SGD (lr = 0,01, импульс = 0,9) model.compile (optimizer = opt, loss = 'category_crossentropy', metrics = ['precision']) модель возврата # запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # определить модель модель = define_model () # подходящая модель модель.fit (trainX, trainY, эпохи = 10, размер_пакета = 32, подробный = 0) # сохранить модель model.save ('final_model.h5') # точка входа, запускаем тестовый жгут run_test_harness ()

После выполнения этого примера в вашем текущем рабочем каталоге будет файл размером 1,2 мегабайта с именем « final_model.h5 ».

Оценка окончательной модели

Теперь мы можем загрузить окончательную модель и оценить ее на имеющемся тестовом наборе данных.

Это то, что мы могли бы сделать, если бы были заинтересованы в представлении эффективности выбранной модели заинтересованным сторонам проекта.

Модель может быть загружена с помощью функции load_model () .

Полный пример загрузки сохраненной модели и ее оценки в тестовом наборе данных приведен ниже.

# оценить глубинную модель на тестовом наборе данных from keras.datasets import mnist из keras.models импортировать load_model из кераса.utils import to_categorical # загрузить поезд и тестовый набор данных def load_dataset (): # загрузить набор данных (trainX, trainY), (testX, testY) = mnist.load_data () # преобразовать набор данных в один канал trainX = trainX.reshape ((trainX.shape [0], 28, 28, 1)) testX = testX.reshape ((testX.shape [0], 28, 28, 1)) # одно горячее кодирование целевых значений trainY = to_categorical (trainY) testY = to_categorical (testY) вернуть trainX, trainY, testX, testY # масштабный пиксель def Prep_pixels (поезд, тест): # преобразовать целые числа в числа с плавающей запятой train_norm = поезд.astype ('float32') test_norm = test.astype ('float32') # нормализовать до диапазона 0-1 train_norm = train_norm / 255.0 test_norm = test_norm / 255.0 # вернуть нормализованные изображения вернуть train_norm, test_norm # запускаем тестовую программу для оценки модели def run_test_harness (): # загрузить набор данных trainX, trainY, testX, testY = load_dataset () # подготовить данные пикселей trainX, testX = Prep_pixels (trainX, testX) # модель нагрузки model = load_model ('final_model.h5 ') # оценить модель на тестовом наборе данных _, acc = model.evaluate (testX, testY, verbose = 0) print ('>% .3f'% (согласно * 100.0)) # точка входа, запускаем тестовый жгут run_test_harness ()

При выполнении примера загружается сохраненная модель и оценивается модель в удерживаемом наборе тестовых данных.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Попробуйте запустить пример несколько раз и сравните средний результат.

Вычисляется и распечатывается точность классификации модели в тестовом наборе данных. В этом случае мы видим, что модель достигла точности 99,090% или чуть меньше 1%, что совсем неплохо и достаточно близко к расчетным 99,753% со стандартным отклонением около половины процента (например, 99 % баллов).

Сделать прогноз

Мы можем использовать нашу сохраненную модель, чтобы делать прогнозы на новых изображениях.

Модель предполагает, что новые изображения имеют оттенки серого, что они были выровнены так, что одно изображение содержит одну центрированную рукописную цифру, и что размер изображения квадратный с размером 28 × 28 пикселей.

Ниже приведено изображение, извлеченное из тестового набора данных MNIST. Вы можете сохранить его в текущем рабочем каталоге с именем файла « sample_image.png ».

Пример рукописной цифры

Мы представим, что это совершенно новое и невидимое изображение, подготовленное должным образом, и посмотрим, как мы можем использовать нашу сохраненную модель, чтобы предсказать целое число, которое представляет изображение (например,грамм. мы ожидаем « 7 »).

Во-первых, мы можем загрузить изображение, заставить его быть в формате оттенков серого и установить размер 28 × 28 пикселей. Затем загруженное изображение может быть изменено, чтобы иметь один канал и представлять одну выборку в наборе данных. Функция load_image () реализует это и возвращает загруженное изображение, готовое для классификации.

Важно отметить, что значения пикселей подготавливаются таким же образом, как значения пикселей были подготовлены для обучающего набора данных при подгонке окончательной модели, в данном случае нормализованной.

# загрузить и подготовить изображение def load_image (имя файла): # загрузить изображение img = load_img (имя файла, оттенки серого = True, target_size = (28, 28)) # преобразовать в массив img = img_to_array (img) # преобразовать в один сэмпл с 1 каналом img = img.reshape (1, 28, 28, 1) # подготовить данные пикселей img = img.astype ('float32') img = img / 255,0 вернуть img

Затем мы можем загрузить модель, как в предыдущем разделе, и вызвать функцию pred_classes () , чтобы предсказать цифру, которую представляет изображение.

# предсказать класс digit = model.predict_classes (img)

Полный пример приведен ниже.

# сделать прогноз для нового изображения. из keras.preprocessing.image import load_img из keras.preprocessing.image import img_to_array из keras.models импортировать load_model # загрузить и подготовить изображение def load_image (имя файла): # загрузить изображение img = load_img (имя файла, оттенки серого = True, target_size = (28, 28)) # преобразовать в массив img = img_to_array (img) # преобразовать в один сэмпл с 1 каналом img = img.изменить форму (1, 28, 28, 1) # подготовить данные пикселей img = img.astype ('float32') img = img / 255,0 вернуть img # загружаем изображение и прогнозируем класс def run_example (): # загрузить изображение img = load_image ('sample_image.png') # модель нагрузки модель = load_model ('final_model.h5') # предсказать класс digit = model.predict_classes (img) печать (цифра [0]) # точка входа, запустим пример run_example ()

При выполнении примера сначала загружается и подготавливается изображение, загружается модель, а затем правильно прогнозируется, что загруженное изображение представляет собой цифру « 7 ».

Расширения

В этом разделе перечислены некоторые идеи по расширению учебника, которые вы, возможно, захотите изучить.

• Настроить масштабирование пикселей . Узнайте, как альтернативные методы масштабирования пикселей влияют на производительность модели по сравнению с базовой моделью, включая центрирование и стандартизацию.
• Настройте скорость обучения . Узнайте, как разные скорости обучения влияют на производительность модели по сравнению с базовой моделью, например 0,001 и 0.0001.
• Глубина настройки модели . Изучите, как добавление дополнительных слоев к модели влияет на производительность модели по сравнению с базовой моделью, такой как другой блок сверточных и объединяющих слоев или другой плотный слой в части классификатора модели.

Если вы изучите какое-либо из этих расширений, я хотел бы знать.
Разместите свои выводы в комментариях ниже.

Дополнительная литература

В этом разделе представлены дополнительные ресурсы по теме, если вы хотите углубиться.

API

Статьи

Сводка

В этом руководстве вы узнали, как с нуля разработать сверточную нейронную сеть для классификации рукописных цифр.

В частности, вы выучили:

• Как разработать тестовую программу для разработки надежной оценки модели и установления базового уровня производительности для задачи классификации.
• Как изучить расширения базовой модели для улучшения обучения и возможностей модели.
• Как разработать окончательную модель, оценить производительность окончательной модели и использовать ее для прогнозирования новых изображений.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Разрабатывайте модели глубокого обучения для Vision сегодня!

Развивайте свои собственные модели видения за считанные минуты

... всего несколькими строками кода Python

Узнайте, как в моей новой электронной книге:
Deep Learning for Computer Vision

Он предоставляет руководств для самообучения по таким темам, как:
классификация , обнаружение объектов (yolo и rcnn) , распознавание лиц (vggface и facenet) , подготовка данных и многое другое...

Наконец-то привнесите глубокое обучение в ваши проекты видения

Пропустить академики. Только результаты.

Классификация сильных сторон и добродетелей характера

«Сильные стороны и добродетели характера» - это новаторское руководство, в котором собраны результаты работы исследователей по созданию системы классификации широко ценимых положительных качеств.

Это руководство также призвано предоставить эмпирическую теоретическую основу, которая поможет практикующим позитивным психологам в разработке практических приложений в этой области.

Есть 6 классов добродетелей, состоящих из 24 сильных сторон персонажа:

1. Мудрость и знания
2. Мужество
3. Человечество
4. Правосудие
5. Умеренность
6. Превосходство

Исследователи подошли к измерению «хорошего характера», основываясь на сильных сторонах подлинности, настойчивости, доброты, благодарности, надежды, юмора и многого другого.

Прежде чем вы продолжите, мы подумали, что вы можете бесплатно загрузить наши три упражнения на развитие сильных сторон.Эти подробные научно обоснованные упражнения помогут вам или вашим клиентам реализовать свой уникальный потенциал и создать жизнь, наполненную энергией и подлинную.

Что делает нас сильными и добродетельными?

Культуры всего мира высоко ценят изучение человеческой силы и добродетели. Психологи проявляют к нему особый интерес, поскольку они работают над тем, чтобы побудить людей развивать эти качества. В то время как все культуры ценят человеческие добродетели, разные культуры выражают добродетели или действуют в соответствии с ними по-разному, основываясь на различных социальных ценностях и нормах.

Мартин Селигман и его коллеги изучили все основные религии и философские традиции и обнаружили, что одни и те же шесть добродетелей (то есть храбрость, гуманность, справедливость и т. Д.) Были общими практически во всех культурах на протяжении трех тысячелетий.

Поскольку эти добродетели считаются слишком абстрактными, чтобы их можно было изучать с научной точки зрения, практики позитивной психологии сосредоточили свое внимание на сильных сторонах характера, созданных добродетелями, и создали инструменты для их измерения.

Основными инструментами оценки, которые они использовали для измерения этих сильных сторон, были:

• Структурированные интервью
• Анкеты
• Отчеты информатора
• Поведенческие эксперименты
• Наблюдения

Основными критериями сильных сторон персонажей, которые они придумали, является то, что каждая черта должна:

• Будьте стабильны во времени и ситуациях
• Оцениваться самостоятельно, даже при отсутствии других преимуществ
• Быть признанным и ценным почти в каждой культуре, считаться непротиворечивым и независимым от политики.
• Культуры предоставляют образцы для подражания, обладающие этой чертой, чтобы другие люди могли признать ее ценность.
• Родители стремятся привить детям эти качества или ценности.

Список

Справочник углубляется в каждую из этих шести черт. Здесь мы суммировали ключевые моменты.

1. Добродетель мудрости и знания

Чем более любопытными и творческими мы позволяем себе стать, тем больше мы обретаем перспективу и мудрость и, в свою очередь, будем любить то, что изучаем.Это развивает мудрость и знания.

Сильные стороны, которые сопровождают эту добродетель, включают приобретение и использование знаний:

• Творчество (например, творчество Альберта Эйнштейна привело его к приобретению знаний и мудрости о Вселенной)
• Любопытство
• Открытость
• Любовь к учебе
• Перспектива и мудрость (Интересный факт: многие исследования показали, что самооценка взрослых людей в отношении точки зрения и мудрости не зависит от возраста, что противоречит популярной идее о том, что наша мудрость увеличивается с возрастом).

2. Мужество

Чем смелее и настойчивее мы станем, тем больше будет расти наша целостность, потому что мы достигнем состояния жизненных сил, а это приведет к более смелому характеру.

Сильные стороны, которые сопровождают эту добродетель, включают достижение целей вопреки вещам, которые ей противостоят:

• Храбрость
• Стойкость
• Целостность
• Живучесть

3.Добродетель человечества

Есть причина, по которой Опра Уинфри рассматривается как символ добродетели для гуманитариев: на каждом шоу она подходит к своим гостям с уважением, признательностью и интересом (социальный интеллект), она проявляет доброту через свою благотворительную деятельность и показывает свое любовь к ее друзьям и семье.

Сильные стороны, которые сопровождают эту добродетель, включают заботу о других и дружбу с ними:

• Любовь
• Доброта
• Социальный интеллект

4.Добродетель правосудия

Махатма Ганди был лидером движения за независимость Индии в управляемой британцами Индии. Он привел Индию к независимости и помог создать движения за гражданские права и свободу, будучи активным гражданином в ненасильственном неповиновении. Его работы получили признание во всем мире благодаря своей универсальности.

Сильные стороны, которые сопровождают эту добродетель, включают те, которые создают здоровое и стабильное сообщество:

• Быть активным гражданином, социально ответственным, лояльным и членом коллектива.
• Справедливость
• Лидерство

5. Добродетель воздержания

Проявляя снисходительность, милосердие, смирение, рассудительность и способность контролировать свое поведение и инстинкты, мы не позволяем нам быть высокомерными, эгоистичными или любыми другими чертами, которые являются чрезмерными или неуравновешенными.

Сильные стороны, которые включены в это достоинство, - это те, которые защищают от излишеств:

• Прощение и милосердие
• Смирение и скромность
• Пруденс
• Саморегуляция и самоконтроль

6.Превосходная добродетель

Далай-лама - трансцендентное существо, которое открыто говорит, почему он никогда не теряет надежды на человеческий потенциал. Он также ценит природу в ее совершенстве и живет в соответствии с тем, что, по его мнению, является его предполагаемой целью.

Сильные стороны, которые сопровождают эту добродетель, включают те, которые налаживают связи с большой вселенной и придают значение:

• Признание красоты и совершенства
• Благодарность
• Надежда
• Юмор и игривость
• Духовность или целеустремленность

Позитивная психология и сильные стороны и добродетели характера

Практики позитивной психологии могут рассчитывать на практическое применение, которое поможет отдельным лицам и организациям выявить свои сильные стороны и использовать их для повышения и поддержания своего уровня благополучия.

Они также подчеркивают, что эти сильные стороны характера существуют непрерывно; положительные черты рассматриваются как индивидуальные различия, которые существуют в степени, а не в категориях "все или ничего".

Фактически, у справочника есть внутренний подзаголовок, озаглавленный «Руководство по здравомыслию», потому что он предназначен для психологического благополучия того же, что DSM делает для психологических расстройств: для добавления систематических знаний и способов овладения новыми навыками и темами.

Исследования показывают, что эти сильные стороны человека могут действовать как буфер против психических заболеваний.Например, оптимизм предотвращает попадание в депрессию. Отсутствие определенных сильных сторон может быть признаком психопатологии. Психотерапевты, консультанты, тренеры и представители других психологических профессий используют эти новые методы и техники, чтобы помочь людям укрепить свои силы и расширить их жизнь.

Следует отметить, что многие исследователи рекомендуют сгруппировать эти 24 черты всего в четыре класса силы (интеллектуальная, социальная, умеренность и трансцендентность) или даже три класса (исключая трансцендентность), поскольку данные показывают, что эти классы выполняют адекватную работу. захвата всех 24 оригинальных черт.

Другие предупреждают, что люди иногда чрезмерно используют эти черты, что может стать обузой для человека. Например, некоторые люди могут использовать юмор как защитный механизм, чтобы избежать трагедии или комы.

Какие сильные стороны у женщин выше?

Есть интерес к выявлению доминирующих сильных сторон характера у мужчин и женщин и к тому, как они проявляются.

Поскольку Мартин Селигман и его коллеги изучали все основные религии и философские традиции, чтобы найти универсальные добродетели, большая часть исследований гендерных и сильных сторон характера также была межкультурной.

В исследовании Brdar, Anic и Rijavec, посвященном гендерным различиям и сильным сторонам характера, женщины получили самые высокие оценки по таким сильным сторонам, как честность, доброта, любовь, благодарность и справедливость.

Удовлетворенность жизнью женщин была предсказана энтузиазмом, благодарностью, надеждой, признательностью к красоте / совершенству и любовью к другим женщинам. Недавнее исследование Манна показало, что женщины, как правило, получают больше благодарностей, чем мужчины. Алекс Линли и его коллеги сообщили в британском исследовании, что женщины имеют более высокие показатели не только в межличностных отношениях, таких как любовь и доброта, но и в социальном интеллекте.

В кросс-культурном исследовании, проведенном Овехеро и Карденалом в Испании, они обнаружили, что женственность положительно коррелирует с любовью, социальным интеллектом, признанием красоты, любовью к учебе, прощением, духовностью и творчеством. Чем более мужественным был мужчина, тем сильнее он коррелировал с этими сильными сторонами характера.

Какие сильные стороны у мужчин выше?

Brdar, Anic & Rijavac сообщили, что мужчины получают самые высокие оценки за честность, надежду, юмор, благодарность и любопытство.

Их удовлетворенность жизнью была предсказана творчеством, перспективой, справедливостью и юмором. Исследование Алекса Линли и его коллег показало, что мужчины набирают больше креативности, чем женщины.

Исследование Милькович и Риявец выявило половые различия в выборке студентов колледжа. Мужчины показали больше не только творческих способностей, но также лидерских качеств, самообладания и энтузиазма. Эти результаты согласуются с гендерными стереотипами, поскольку исследование Овехеро и Карденала в Испании показало, что мужчины не приравнивают типичные мужские сильные стороны к любви, прощению, любви к учебе и так далее.

В хорватской выборке Брдар и его коллеги обнаружили, что мужчины рассматривают когнитивные способности как лучший показатель удовлетворенности жизнью. Мужчины видели такие сильные стороны, как командная работа, доброта, перспективность и смелость, как более сильную связь с удовлетворением жизнью, чем другие сильные стороны. У этой выборки есть важное ограничение, так как большинство участников были женщинами.

Чему мы можем научиться у обоих?

Хотя есть различия в сильных сторонах характера между мужчинами и женщинами, есть много их общих черт.Оба пола считали, что благодарность, надежда и энтузиазм связаны с более высоким уровнем удовлетворенности жизнью, а также со стремлением жить в соответствии с сильными сторонами, которые ценятся в их конкретной культуре.

Исследования подтверждают, что существует двойственность между полами, но только тогда, когда оба пола четко идентифицируются с гендерными стереотипами. Это заставляет задуматься, являются ли мужчины и женщины от рождения с определенными сильными сторонами, или же культурное влияние определенных черт ставит во главу угла разные черты, основанные на гендерных нормах.

Узнайте больше о тестах на сильные и слабые стороны здесь.

Развитие сильных сторон характера у детей

Дети и сильные стороны. Изображение Шерил Холт на Pixaby.

Исследование Парка и Петерсона (2006) подтвердило это теоретическое предположение, сделав вывод о том, что эти сложные сильные стороны характера обычно требуют определенной степени когнитивного созревания, которая развивается в подростковом возрасте.Таким образом, хотя благодарность ассоциируется со счастьем в подростковом и взрослом возрасте, это не относится к маленьким детям.

Исследование Парка и Петерсона показало, что чувство благодарности и счастья начинается с семи лет.

«Благодарность рассматривается как человеческая сила, которая повышает личное благополучие и благополучие в отношениях и приносит пользу обществу в целом».

Зиммель

Хотя большинство детей младшего возраста еще недостаточно когнитивно зрелы для сложных сильных сторон характера, есть много фундаментальных сильных сторон характера, которые развиваются на очень ранней стадии.

Сила любви, энтузиазма и надежды ассоциируется со счастьем с самого раннего возраста. Сила любви и надежды зависит от взаимоотношений младенца и опекуна. Надежная привязанность к опекуну в младенчестве с большей вероятностью приведет к психологической и социальной адаптации на протяжении всей жизни.

Воспитание ребенка играет важную роль в его развитии, а ролевое моделирование - важный способ научить ребенка определенным сильным сторонам характера, поскольку они имитируют поведение и затем могут принять эту силу как свою собственную.

Большинство детей младшего возраста не обладают когнитивной зрелостью, чтобы проявлять благодарность, но обладают способностью выражать любовь и надежду. Следовательно, от маленького ребенка нельзя ожидать благодарности, ее нужно учить.

Позитивные образовательные программы были разработаны, чтобы помочь детям и подросткам сосредоточиться на сильных сторонах характера. У подростков есть определенные сильные стороны характера, которые более отчетливо влияют на психологическое благополучие. Эти сильные стороны необходимо развивать, чтобы обеспечить удовлетворение и удовлетворение на всю жизнь.

«На сильные стороны характера влияют семья, сообщество, социальные и другие контекстуальные факторы. По крайней мере теоретически, сильные стороны характера податливы; их можно научить и усвоить на практике ».

Gillham, et al.

Сильные стороны характера и благополучие подростков

Сегодня большая часть исследований сильных сторон характера сосредоточена на взрослых, несмотря на известную важность детства и юности для развития характера.

Исследование сильных сторон характера показывает, что способствует позитивному развитию и предотвращает психопатологию.

Дальсгаард, Парк и Петерсон обнаружили, что подростки с более высоким уровнем энтузиазма, надежды и лидерства демонстрируют более низкий уровень тревожности и депрессии по сравнению с их сверстниками с более низким уровнем этих сильных сторон. Другие результаты исследования показали, что сильные стороны характера подростка способствуют благополучию (Gillham, et al, 2011).

Исследование предполагает, что трансцендентность (напр.благодарность, смысл и надежда) предсказывает удовлетворение жизнью, демонстрируя важность развития подростками позитивных отношений, создания мечтаний и обретения чувства цели.

VIA Опрос молодежи о сильных сторонах характера

Родители, учителя и исследователи обратились в VIA: институт сильных сторон характера с просьбой разработать исследование VIA, специально предназначенное для молодежи. Если вам от 10 до 17 лет, возьмите психометрические данные VIA - опрос молодежи.

Заключение

Измерение сильных сторон характера и различных черт, которые их формируют, имеет множество применений, от удовлетворенности жизнью до счастья и других показателей благополучия. Эти инструменты измерения использовались для изучения того, как эти сильные стороны развивались в разных гендерных и возрастных группах.

Какими сильными сторонами вы обладаете? Какое значение, по вашему мнению, может иметь это исследование в современном мире? Вы видите, как это применимо к вашей жизни?

Пожалуйста, поделитесь своими мыслями в разделе комментариев ниже.

Видео о сильных сторонах характера

В заключение, вот несколько полезных видео, которые могут вам понравиться, если вы хотите узнать больше о сильных сторонах и достоинствах персонажей:

Надеемся, вам понравилась эта статья. Не забудьте бесплатно скачать наши три упражнения на развитие сильных сторон.

Если вы хотите помочь большему количеству людей реализовать свои сильные стороны, наш Мастер-класс по максимальному использованию сильных сторон © представляет собой комплексный шаблон обучения, который содержит все необходимое, чтобы стать практиком, основанным на силе, и помочь другим выявить и развить свои уникальные качества таким образом, чтобы оптимальное функционирование.

• Bowlby, J. (1969). Пристрастие и потеря , (Том I). Вложение . Основные книги, Нью-Йорк.
• Дальсгаард, К.К. (2005). Неужели добродетель больше, чем сама награда? Сильные стороны характера и их связь с благополучием в проспективном продольном исследовании подростков среднего школьного возраста (неопубликованная докторская диссертация) . Пенсильванский университет, Филадельфия, Пенсильвания.
• Gillham, J., Adams-Deutsch, Z., Werner, J., Reivich, K., Coulter-Heindl, V., Линкинс, М., Селигман, М. (2011). Сильные стороны характера предсказывают субъективное благополучие в подростковом возрасте. Журнал позитивной психологии , 6 (1), 31-44.
• Jolly, M., & Academia. (2006). Позитивная психология: наука о человеческих силах . Получено с https://www.academia.edu/6442081/Positive_Psychology_The_Science_of_Human_Strengths
.
• Кочанская, Г. (2001). Эмоциональное развитие у детей с разным анамнезом привязанности: первые три года. Психология развития 72, стр. 474–490.
• Маккалоу, М. Э., Килпатрик, С. Д., Эммонс, Р. А., и Ларсон, Д. Б. (2001). Является ли благодарность моральным аффектом? Психологический бюллетень , 127, 249-266.
• Park, N., & Peterson, C. (2006, а). Сильные стороны характера и счастье среди маленьких детей: контент-анализ родительских описаний. Journal of Happiness Studie s, 7 (3), 323-341.
• Park, N., & Peterson, C. (2006, b). Моральная компетентность и сильные стороны характера среди подростков: разработка и проверка ценностей в действии. Перечень сильных сторон молодежи. Журнал подросткового возраста , 29 (6), 891-909.
• Петерсон, К. и Селигман, М. (2004). Сильные стороны и достоинства характера Справочник и классификация .
• Вашингтон, округ Колумбия: Американская психологическая ассоциация. Зиммель, Г. (1950). Социология Георга Зиммеля . Гленко, Иллинойс: Свободная пресса.
• Тартаковский, М. (2011). Измерение сильных сторон вашего характера | Мир психологии . Получено с http://psychcentral.com/blog/archives/2011/01/05/measuring-your-character-strengths/
.

Классификация рукописных цифр с использованием нейронной сети

Давным-давно, когда у нас возникали более простые вопросы, такие как «В чем проблема?», Для составления отчетов использовались структурированные наборы данных.Перенесемся на несколько десятилетий вперед, и у нас появятся более сложные вопросы, например: «Почему возникает эта проблема?» а со сложными проблемами приходят сложные наборы данных или неструктурированные наборы данных. Чтобы спасти нас от всей этой сложности, используется нейронная сеть, которая заставляет машины учиться и решать все эти сложности за нас, масштабируясь с каждым уровнем сложности.

Одной из таких сложных проблем является распознавание рукописного ввода, представьте себе, что почерк на бумаге или планшете и переводят его в компьютерный печатный текст, больше не нужно повторять! Представьте, что вы не ломаете голову, пытаясь расшифровать почерк врача.Представьте себе ребенка с дисграфией, состоянием, которое приводит к плохому почерку, а не с трудностями в классе.

  Зарегистрируйтесь на наш семинар о том, как начать свою карьеру в области науки о данных?  

Все это можно сделать с помощью инструмента распознавания рукописного ввода, который классифицирует текст по изображению. Этот инструмент имеет графический интерфейс пользователя, где внутри холста пользователь может написать любое английское слово от руки, а модель, сидящая на бэкэнде, сможет распознать это слово.Для этого инструмента был использован классификатор Multi-Layer Perceptron (MLP) с решателем Адама и сигмоидной функцией для достижения значительных результатов.

Используемый набор данных был создан Национальным институтом стандартов и технологий (NIST). Специальная база данных NIST 19 состоит из примерно 0,7 миллиона образцов изображений в формате PNG. Текущая модель обучена только для прописных букв (A-Z). В следующей таблице указано количество наблюдений на символ:

Таблица 1: Число наблюдений на символ

Каждый символ в исходном наборе данных занимает 128 × 128 пикселей на растр (рис. 1 a), чтобы избежать тяжелых вычислений, размер изображения был уменьшен до 56 x 56 пикселей (рис. 1 b).Кроме того, размер холста был уменьшен до 28 × 28 пикселей за счет удаления заполнения (рис. 1 c), что привело к набору данных конфигурации 784 функций. Каждый символ был помечен последовательно от «A» до «Z».

Пакет tkinter использовался для создания пользовательского интерфейса, подобного холсту.Как только пользователь пишет слово на холсте, инструмент преобразует изображение в двухмерный массив NumPy, а затем просматривает массив по столбцам в поисках заполненного пикселя, чтобы отметить начало буквы. Для слов модель продолжает перемещаться и искать столбец, в котором есть значительный относительный пробел, чтобы отметить начало второго символа. Инструмент достаточно умен, чтобы отличить разрыв букв от начала второй буквы.

При разработке и создании этого инструмента возникло несколько проблем, перечисленных ниже:

# 1 : Исходный набор данных требовал больших вычислительных мощностей для гипер-настройки модели для различных комбинаций.Чтобы преодолеть это ограничение с помощью персонального компьютера, который использовался для построения этой модели, набор данных был разделен на пакеты из пяти символов (то есть буквы A-E, F-I и т. Д.), И модель была обучена и протестирована с использованием этих пакетов.

# 2 : Несбалансированность количества наблюдений среди символов в наборе данных привела к осложнениям на этапе тестирования и обучения (например, 10k и 2,5k изображений для J и K соответственно). Чтобы преодолеть это, был создан сценарий, который разделил тестовый и обучающий набор данных для каждого персонажа индивидуально, а затем объединил их, чтобы обеспечить хорошо сбалансированный набор данных.

# 3 : английские алфавиты содержат буквы, которые выглядят очень похожими друг на друга (то есть B и P, D и O). Во время обучения и тестирования модель изо всех сил пыталась правильно классифицировать эти буквы. Чтобы свести к минимуму ошибочную классификацию этих букв, модель была обучена и настроена для этих букв отдельно с большим набором данных.

Классификатор Multi-Layer Perceptron (MLP) для этого инструмента был обучен с использованием обратного распространения ошибки для достижения значительных результатов.Ниже представлена ​​конфигурация нейронной сети:

• Размер скрытого слоя: (100,100,100), т. Е. 3 скрытых слоя по 100 нейронов в каждом
• Функция активации: логистическая сигмоида, возвращает f (x) = 1 / (1 + exp (-x))
• Решатель для оптимизации веса: оптимизатор на основе стохастического градиента («Адам»)
• Ранняя остановка (во избежание переобучения): True

Рисунок 4 : Архитектура модели

Таблица 2: Сводка результатов

Хотя этот инструмент служит базовой моделью для преодоления разрыва в коммуникации, необходимо проделать еще больше работы.В настоящее время модель может расшифровывать буквы и слова, но способна обрабатывать фразы и абзацы с правильным расширением. Кроме того, UI / UX может быть доработан для использования более широкой пользовательской аудиторией.

Подпишитесь на нашу рассылку новостей

  Присоединяйтесь к нашей группе Telegram. Станьте частью интересного сообщества  

Начинающий специалист по данным, в настоящее время изучающий степень магистра наук о данных в Университете Джорджа Вашингтона, который также имеет степень бакалавра наук.Tech. Кандидат компьютерных наук и степень MBA по маркетингу. Он имеет опыт работы в области машинного обучения, статистического моделирования, автоматизации и анализа данных и хочет специализироваться в области глубокого обучения.

Улучшение распознавания персонажей сцены на основе ансамбля с помощью вероятности классификации - Университет Тохоку

TY - GEN

T1 - Улучшение распознавания персонажей сцены на основе ансамбля с помощью вероятности классификации

AU - Horie, Fuma

Hideaki

AU - Suganuma, Takuo

N1 - Авторское право издателя: © 2020, Springer Nature Switzerland AG.

PY - 2020

Y1 - 2020

N2 - Исследования в области распознавания символов сцены были популярны благодаря своему потенциалу во многих приложениях, включая автоматический переводчик, распознавание вывесок и помощник по чтению для слабовидящих. Распознавание персонажей сцены является сложной задачей из-за различных факторов окружающей среды при захвате изображения и сложного дизайна персонажей. Современные системы оптического распознавания символов не достигли практической точности для произвольных персонажей сцены, хотя некоторые эффективные методы были предложены в прошлом.Чтобы улучшить существующие системы распознавания, мы предлагаем метод иерархического распознавания, использующий методы вероятности классификации и предварительной обработки изображений. Показано, что точность нашей последней ансамблевой системы была улучшена с 80,7% до 82,3% за счет применения предложенных методов.

AB - Исследования в области распознавания символов сцены были популярны из-за своего потенциала во многих приложениях, включая автоматический переводчик, распознавание вывесок и помощник по чтению для слабовидящих.Распознавание персонажей сцены является сложной задачей из-за различных факторов окружающей среды при захвате изображения и сложного дизайна персонажей. Современные системы оптического распознавания символов не достигли практической точности для произвольных персонажей сцены, хотя некоторые эффективные методы были предложены в прошлом. Чтобы улучшить существующие системы распознавания, мы предлагаем метод иерархического распознавания, использующий методы вероятности классификации и предварительной обработки изображений. Показано, что точность нашей последней ансамблевой системы была улучшена с 80.От 7% до 82,3% за счет применения предложенных методов.

KW - Классификатор голосования по ансамблю

KW - Метод иерархического распознавания

KW - Синтетические данные символов сцены

UR - http://www.scopus.com/inward/record.url?scp=85081578373&partnerID=8YFLogxK

U2 - 10.1007 / 978-3-030-41299-9_10

DO - 10.