内容简介：演示开始时需要加载大概调整训练集的大小, 观察测试结果的准确性
https://github-laziji.github.io/digit-recognizer/
演示开始时需要加载大概 100M
的训练数据, 稍等片刻
调整训练集的大小, 观察测试结果的准确性
数据来源
数据来源与 https://www.kaggle.com
中的一道题目
digit-recognizer
题目给出 42000
条训练数据(包含图片和标签)以及 28000
条测试数据(只包含图片)
要求给这些测试数据打上标签 [0-9]
描述该图像显示的是哪个数字, 要尽可能的准确
网站中还有许多其他的机器学习的题目以及数据, 是个很好的练手的地方
实现
TensorFlow
是一个开源的机器学习库, 利用这个库我们可以快速地构建机器学习项目
这里我们使用 TensorFlow.js
来实现识别手写数字
创建模型
卷积神经网络的第一层有两种作用, 它既是输入层也是执行层, 接收 IMAGE_H * IMAGE_W
大小的黑白像素
最后一层是输出层, 有10个输出单元, 代表着 0-9
这十个值的概率分布, 例如 Label=2 , 输出为 [0.02,0.01,0.9,...,0.01]
function createConvModel() {
const model = tf.sequential();
model.add(tf.layers.conv2d({
inputShape: [IMAGE_H, IMAGE_W, 1],
kernelSize: 3,
filters: 16,
activation: 'relu'
}));
model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));
model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: 'relu' }));
model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));
model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: 'relu' }));
model.add(tf.layers.flatten({}));
model.add(tf.layers.dense({ units: 64, activation: 'relu' }));
model.add(tf.layers.dense({ units: 10, activation: 'softmax' }));
return model;
}
训练模型
我们选择适当的优化器和损失函数, 来编译模型
async function train() {
ui.trainLog('Create model...');
model = createConvModel();
ui.trainLog('Compile model...');
const optimizer = 'rmsprop';
model.compile({
optimizer,
loss: 'categoricalCrossentropy',
metrics: ['accuracy'],
});
const trainData = Data.getTrainData(ui.getTrainNum());
ui.trainLog('Training model...');
await model.fit(trainData.xs, trainData.labels, {});
ui.trainLog('Completed!');
ui.trainCompleted();
}
测试
这里测试一组测试数据, 返回对应的标签, 即十个输出单元中概率最高的下标
function testOne(xs){
if(!model){
ui.viewLog('Need to train the model first');
return;
}
ui.viewLog('Testing...');
let output = model.predict(xs);
ui.viewLog('Completed!');
output.print();
const axis = 1;
const predictions = output.argMax(axis).dataSync();
return predictions[0];
}
以上所述就是小编给大家介绍的《TensorFlow.js 卷积神经网络手写数字识别》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
