[DL]手書きデジタル認識
3318 ワード
今回は学習したパラメータを用いて学習過程をスキップし,推論過程のみを実施した
この推論過程はニューラルネットワークの純粋な伝播(forward propagation)とも呼ばれる.
MINISTデータセットは手書きデジタル画像セットで、機械学習分野で1、2を数える有名なデータセットです.
0~9のデジタル画像で構成されています.トレーニング画像(train set)60000枚、試験画像(test set)10000枚.通常、これらの訓練画像を用いてモデルを学習し、学習したモデルを用いて試験画像の分類がどれだけ正確であるかを評価する.
ここでload mnist関数は、読み取ったmnistデータを「(訓練画像、訓練ラベル)、(試験画像、試験ラベル)」として返します.パラメータはnormalize、platting、onehot labelの3種類を設定できます.3つのパラメータはbool値です! normalize:入力画像のピクセル値を0.0~1.0に正規化するかどうかを指定します.
falseに設定すると、入力画像の画素は元の0~255の値を維持します. 平坦:入力画像が平坦かどうか、すなわち1次元配列であるかどうかを決定する.
falseに設定場合、入力画像は1 x 28 x 28の3次元配列であり、trueに設定場合、784個は1次元配列 として記憶する. one hot label:1-熱符号化形式で格納されているかどうかを決定します.
一熱符号化とは、[0,0,1,0,0,0,0,0,0,0]のように正解を表す要素だけが1であり、残りは0の配列である.
数値形式のラベル(false綿7または2など)を保存し、trueの場合はラベルを1回熱符号化して保存します.
パイソンにはキムチの便利な機能があります.これは、プログラム実行時に特定のオブジェクトをファイルとして保存する機能です.保存したpickleファイルをロードすると、すぐにそのオブジェクトを復元できます.MNISTデータセットを読み込むload mnist()関数にもpickle(2回目の読み込み後)を使用します.pickleのおかげで、mnistデータは瞬時に準備できます.
この推論過程はニューラルネットワークの純粋な伝播(forward propagation)とも呼ばれる.
MINIST dataset
MINISTデータセットは手書きデジタル画像セットで、機械学習分野で1、2を数える有名なデータセットです.
0~9のデジタル画像で構成されています.トレーニング画像(train set)60000枚、試験画像(test set)10000枚.通常、これらの訓練画像を用いてモデルを学習し、学習したモデルを用いて試験画像の分類がどれだけ正確であるかを評価する.
コード#コード#
import sys, os
sys.path.append("/Users/yujinju/Desktop/deeplearning_from_scratch-master")
from dataset.mnist import load_mnist
(x_train, t_train), (x_test, t_test) = \
load_mnist(flatten=True, normalize=False)
print(x_train.shape)
print(t_train.shape)
print(x_test.shape)
print(t_test.shape)
実はここでpardir親ディレクトリが見つからないので、データセットを含む親パスの絶対パスを追加しました.結果よかったですね、解決策ここにも書いてありますので、参考にしてください.ここでload mnist関数は、読み取ったmnistデータを「(訓練画像、訓練ラベル)、(試験画像、試験ラベル)」として返します.パラメータはnormalize、platting、onehot labelの3種類を設定できます.3つのパラメータはbool値です!
falseに設定すると、入力画像の画素は元の0~255の値を維持します.
falseに設定場合、入力画像は1 x 28 x 28の3次元配列であり、trueに設定場合、784個は1次元配列
一熱符号化とは、[0,0,1,0,0,0,0,0,0,0]のように正解を表す要素だけが1であり、残りは0の配列である.
数値形式のラベル(false綿7または2など)を保存し、trueの場合はラベルを1回熱符号化して保存します.
パイソンにはキムチの便利な機能があります.これは、プログラム実行時に特定のオブジェクトをファイルとして保存する機能です.保存したpickleファイルをロードすると、すぐにそのオブジェクトを復元できます.MNISTデータセットを読み込むload mnist()関数にもpickle(2回目の読み込み後)を使用します.pickleのおかげで、mnistデータは瞬時に準備できます.
Reference
この問題について([DL]手書きデジタル認識), 我々は、より多くの情報をここで見つけました https://velog.io/@u_jinju/DL-손글씨-숫자-인식テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol