Reconnaissance d'images à l'aide d'un apprentissage en profondeur
L'apprentissage profond peut être appliqué avec succès à de nombreux problèmes de traitements d'images et et de vision par ordinateur. À l'aide de NetChain et de NetTrain, vous pouvez définir et entraîner un réseau neuronal qui catégorise un chiffre manuscrit à partir d'une image.
Obtenez des données d'apprentissage et de validation à partir de la base de données MNIST de chiffres manuscrits.
In[1]:=
resource = ResourceObject["MNIST"];
trainingData = ResourceData[resource, "TrainingData"];
testData = ResourceData[resource, "TestData"];In[2]:=
RandomSample[trainingData, 5]Out[2]=
Dessinez un réseau neuronal de convolution pour reconnaître des images en niveaux de gris 28×28.
In[3]:=
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]=
Entraînez le réseau pendant trois séances d'apprentissage.
In[4]:=
lenet = NetTrain[lenet, trainingData, ValidationSet -> testData,
MaxTrainingRounds -> 3];Out[4]=
Évaluez le réseau entraîneé directement sur les images échantillonnées au hasard à partir de l'ensemble de validation.
In[5]:=
imgs = Keys @ RandomSample[testData, 5];
Thread[imgs -> lenet[imgs]]Out[5]=
