Medición del rendimiento de la clasificación

Mida la precisión de un reconocedor de dígitos entrenado con la base de datos de dígitos de escritura a mano MNIST.

Primero obtenga los datos de entrenamiento y validación.

In[1]:=

resource = ResourceObject["MNIST"]; trainingData = ResourceData[resource, "TrainingData"]; testData = ResourceData[resource, "TestData"];

In[2]:=

RandomSample[trainingData, 5]

Out[2]=

Defina una red neuronal de convolución que toma imágenes con escala de grises 28x28 como entrada.

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]=

Entrene la red para tres rondas de entrenamiento.

In[4]:=

lenet = NetTrain[lenet, trainingData, ValidationSet -> testData, MaxTrainingRounds -> 3]

Out[4]=

Evalúe la red entrenada directamente en imágenes al azar del conjunto de validación.

In[5]:=

imgs = Keys @ RandomSample[testData, 5]; Thread[imgs -> lenet[imgs]]

Out[5]=

Cree un objeto de ClassifierMeasurements a partir de la red entrenada y el conjunto de validación.

In[6]:=

cm = ClassifierMeasurements[lenet, testData]

Out[6]=

Obtenga la precisión de la red en el conjunto de validación.

In[7]:=

cm["Accuracy"]

Out[7]=

Cree una lista de 3 que fueron erróneamente clasificados con 8.

In[8]:=

cm[{"Examples", 3 -> 8}]

Out[8]=

Obtenga un gráfico de la matriz de confusión de las predicciones de la red en el conjunto de validación.

In[9]:=

cm["ConfusionMatrixPlot"]

Out[9]=