Meça o rendimento da classificação
Meça a precisão de um reconhecedor de dígitos treinados no banco de dados MNIST de dígitos escritos à mão.
Primeiro obtenha os dados de treinamento e validação.
In[1]:=
resource = ResourceObject["MNIST"];
trainingData = ResourceData[resource, "TrainingData"];
testData = ResourceData[resource, "TestData"];In[2]:=
RandomSample[trainingData, 5]Out[2]=
Defina uma rede neural convolucional que pega imagens em tons de cinza 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]=
Treine a rede com três ciclos de treinamento.
In[4]:=
lenet = NetTrain[lenet, trainingData, ValidationSet -> testData,
MaxTrainingRounds -> 3]Out[4]=
Avalie a rede treinada diretamente sem imagens de uma amostra aleatória do conjunto de validação.
In[5]:=
imgs = Keys @ RandomSample[testData, 5];
Thread[imgs -> lenet[imgs]]Out[5]=
Crie um objeto de ClassifierMeasurements de uma rede treinada e de um conjunto de validação.
In[6]:=
cm = ClassifierMeasurements[lenet, testData]Out[6]=
Obtenha a precisão da rede no conjunto de validação.
In[7]:=
cm["Accuracy"]Out[7]=
Crie uma lista de números 3 que foram mal classificados como sendo 8.
In[8]:=
cm[{"Examples", 3 -> 8}]Out[8]=
Obtenha um gráfico da matriz de confusão das previsões da rede no conjunto de validação.
In[9]:=
cm["ConfusionMatrixPlot"]Out[9]=
