Измерение результативности классификации
Измерьте точность цифрового распознавателя, обученного на базе данных рукописных цифр MNIST.
Начните с получения данных режима обучения и контрольных данных.
In[1]:=
resource = ResourceObject["MNIST"];
trainingData = ResourceData[resource, "TrainingData"];
testData = ResourceData[resource, "TestData"];In[2]:=
RandomSample[trainingData, 5]Out[2]=
Задайте свёрточную нейронную сеть, которая принимает входные данные в виде полутоновых изображений размером 28x28.
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]=
Проведите три раунда тренировки нейронной сети.
In[4]:=
lenet = NetTrain[lenet, trainingData, ValidationSet -> testData,
MaxTrainingRounds -> 3]Out[4]=
Оцените обученную сеть непосредственно на изображениях, случайно отобранных из контрольного набора.
In[5]:=
imgs = Keys @ RandomSample[testData, 5];
Thread[imgs -> lenet[imgs]]Out[5]=
Создайте объект ClassifierMeasurements из обученной сети и контрольного набора.
In[6]:=
cm = ClassifierMeasurements[lenet, testData]Out[6]=
Получите точность сети на контрольном наборе.
In[7]:=
cm["Accuracy"]Out[7]=
Составьте список троек, ошибочно классифицированных как восьмёрки.
In[8]:=
cm[{"Examples", 3 -> 8}]Out[8]=
Получите графическое изображение матрицы ошибок определений сети на контрольном наборе.
In[9]:=
cm["ConfusionMatrixPlot"]Out[9]=
