AIは手書きを認識できますか?

ニューラルネットワーク構造

三層FNN

MNIST 0から9の手書き数字

画像サイズは

縦横28画素、背景値は0、デジタル領域値は255

である.

背景値は0、数字期待領域は1であり、正常光照射学習

を行う.
層数タイプサイズ活性化関数1層Flatten 28*28 2層FN 256 Relu 3層FNN 10 Softmaxなし

Flatten層

入力

FNNのデータは2次元データではなく1次元データです.

の2次元画像データをFNNに入力とき、2次元データを1次元データに変換するプロセス

深さ学習モデル符号化

"""
Author : Byunghyun Ban
"""
from tensorflow import keras
import data_reader

# 몇 에포크 만큼 학습을 시킬 것인지 결정합니다.
EPOCHS = 20  # 예제 기본값은 20입니다.

# 데이터를 읽어옵니다.
dr = data_reader.DataReader()

# 인공신경망을 제작합니다.
# Flatten함수의 input_shape를 이지디 데이터 크기로 설정
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 인공신경망을 컴파일합니다.
model.compile(optimizer='adam', metrics=['accuracy'],
              loss='sparse_categorical_crossentropy')

# 인공신경망을 학습시킵니다.
print("\n\n************ TRAINING START ************ ")
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(dr.train_X, dr.train_Y, epochs=EPOCHS,
                    validation_data=(dr.test_X, dr.test_Y),
                    callbacks=[early_stop])

# 학습 결과를 그래프로 출력합니다.
data_reader.draw_graph(history)

物事を区別できますか?

ニューラルネットワーク構造

は、前述の例と同様の構成

である.
層数タイプサイズ活性化関数1層Flatten 32*32無2層FN 256 Relu 3層FNN 10 Softmax

深さ学習モデル符号化

"""
Author : Byunghyun Ban
"""
from tensorflow import keras
import data_reader

# 몇 에포크 만큼 학습을 시킬 것인지 결정합니다.
EPOCHS = 20  # 예제 기본값은 20입니다.

# 데이터를 읽어옵니다.
dr = data_reader.DataReader()

# 인공신경망을 제작합니다.
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(32, 32)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 인공신경망을 컴파일합니다.
model.compile(optimizer='adam', metrics=['accuracy'],
              loss='sparse_categorical_crossentropy')

# 인공신경망을 학습시킵니다.
print("\n\n************ TRAINING START ************ ")
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(dr.train_X, dr.train_Y, epochs=EPOCHS,
                    validation_data=(dr.test_X, dr.test_Y),
                    callbacks=[early_stop])

# 학습 결과를 그래프로 출력합니다.
data_reader.draw_graph(history)

ビジュアル情報

人間の脳が視覚情報を処理する方法

ビジュアル情報ストリームのパス

眼球から流出した情報は、以下の太陽穴皮質に伝達される.

視覚皮質は、V 1、V 2、V 3、V 4、V 5、V 6等の領域に分けられる.

視覚皮質感知形態v 1線、辺v 2透視感v 4ジオメトリIT最終視覚情報

CNN(Convolutional Neural Networks)

は「合成乗ニューラルネットワーク」と呼ばれている.

CNNの主な材料はフィルターです.

主な動作原理は、

画像にフィルタを追加して、元のデータを変更し、変更後のデータを次のレイヤに出力することです.

CNNの計算方法

フィルタを適用して画像サイズを小さくする

ダウンジャケット

フィルタを適用する際に画像を収縮させないテクニック

エッジディジタルゼロ加算技術

の原装寸法と同じです.

CNN事物区分

オリジナル画像は、0から255の間の数字で表すデータを255.0に分割し、0から1の間の数字を

に変換する.

「BatchNorm」はDropoutのように人工知能性能を向上させるための演算である.

「CNN-一般光源の構成-関数のアクティブ化-ポーリング」の順に適用します.

「MaxPool」は「プール層」と呼ばれるツールで、画像サイズを小さくします.

CNNは、フィルタ付きの2次元画像を出力し、Flattenレイヤの1次元データ入力FNNに変換することができる.

層数タイプサイズ活性化関数1層CNN 32,(3,3)−BantNorm−Relu−MaxPool(2,2)−2層CNN 64,(3,3)−BantNorm−Relu−MaxPool(2,3)−3層CNN 64,(3,3)−BantNorm−Relu−MaxPool(2,2)−4層TentFlaa−5層FN 128 Relu−ProopOutate=0.5−6層

バッチの正常化

ニューラルネットワークの蓄積に伴い,学習過程における各層のニューラルネットワーク分布が異なり,前層の歪みも次層に影響を及ぼすという「内部公変数変化」の問題が生じる.

は通常の光源を配置し、性能を向上させた.

バッファ層

画像のサイズを減らすために使用されます.

は平均プールも使用した.

深さ学習モデル符号化

"""
Author : Byunghyun Ban
"""
from tensorflow import keras
import data_reader

# 몇 에포크 만큼 학습을 시킬 것인지 결정합니다.
EPOCHS = 20  # 예제 기본값은 20입니다.

# 데이터를 읽어옵니다.
dr = data_reader.DataReader()

# 인공신경망을 제작합니다.
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3)),
    keras.layers.BatchNormalization(),
    keras.layers.ReLU(),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3)),
    keras.layers.BatchNormalization(),
    keras.layers.ReLU(),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3)),
    keras.layers.BatchNormalization(),
    keras.layers.ReLU(),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dropout(rate=0.5),
    keras.layers.Dense(10, activation='softmax')
])

# 인공신경망을 컴파일합니다.
model.compile(optimizer='adam', metrics=['accuracy'],
              loss='sparse_categorical_crossentropy')

# 인공신경망을 학습시킵니다.
print("\n\n************ TRAINING START ************ ")
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(dr.train_X, dr.train_Y, epochs=EPOCHS,
                    validation_data=(dr.test_X, dr.test_Y),
                    callbacks=[early_stop])

# 학습 결과를 그래프로 출력합니다.
data_reader.draw_graph(history)