分類性能を測定する
MNISTの手書き数字データベースで訓練した,数字識別器の正確さを測定する.
訓練データと検証データを取得する.
In[1]:=

resource = ResourceObject["MNIST"];
trainingData = ResourceData[resource, "TrainingData"];
testData = ResourceData[resource, "TestData"];
In[2]:=

RandomSample[trainingData, 5]
Out[2]=

入力として28x28のグレースケール画像を取る,たたみ込みニューラルネットワークを定義する.
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]=

3回の訓練ラウンドでネットワークを訓練する.
In[4]:=

lenet = NetTrain[lenet, trainingData, ValidationSet -> testData,
MaxTrainingRounds -> 3]
Out[4]=

検証集合から無作為に抽出された画像で直接,訓練されたネットワークを評価する.
In[5]:=

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

訓練されたネットワークと検証集合からClassifierMeasurementsオブジェクトを生成する.
In[6]:=

cm = ClassifierMeasurements[lenet, testData]
Out[6]=

検証集合でのネットワークの正確さを得る.
In[7]:=

cm["Accuracy"]
Out[7]=

誤って8と分類された3をリストする.
In[8]:=

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

検証集合に対するネットワーク予測の混同行列のプロットを得る.
In[9]:=

cm["ConfusionMatrixPlot"]
Out[9]=
