Wolfram Language

Procesamiento de imágenes y señales

Reconocimiento de imágenes usando aprendizaje profundo

El aprendizaje profundo puede ser aplicado exitosamente a muchos problemas de procesamiento de imágenes y visión por medio de la computación. Usando NetChain y NetTrain, usted puede definir y entrenar una red neuronal que clasifique a un dígito escrito a mano dada una imagen.

Obtenga datos de entrenamiento y validación de la base de datos de dígitos escritos a mano MNIST.

In[1]:=
Click for copyable input
resource = ResourceObject["MNIST"]; trainingData = ResourceData[resource, "TrainingData"]; testData = ResourceData[resource, "TestData"];
In[2]:=
Click for copyable input
RandomSample[trainingData, 5]
Out[2]=

Diseñe una red neuronal de convolución creada para reconocer imágenes en escala de grises 28×28.

In[3]:=
Click for copyable input
lenet = NetChain[ {ConvolutionLayer[20, 5], Ramp, PoolingLayer[2, 2], ConvolutionLayer[50, 5], Ramp, PoolingLayer[2, 2], FlattenLayer[], 500, Ramp, 10, SoftmaxLayer[]}, "Output" -> NetDecoder[{"Class", Range[0, 9]}], "Input" -> NetEncoder[{"Image", {28, 28}, "Grayscale"}] ]
Out[3]=

Entrene la red durante tres rondas.

In[4]:=
Click for copyable input
lenet = NetTrain[lenet, trainingData, ValidationSet -> testData, MaxTrainingRounds -> 3];
Out[4]=

Evalúe la red entrenada directamente en imágenes muestreadas de forma aleatoria del conjunto de validación.

In[5]:=
Click for copyable input
imgs = Keys @ RandomSample[testData, 5]; Thread[imgs -> lenet[imgs]]
Out[5]=

Ejemplos relacionados

de en fr ja ko pt-br ru zh