摘要：原博地址源碼演示開始時需要加載大概的訓練數據稍等片刻調整訓練集的大小觀察測試結果的準確性數據來源數據來源與中的一道題目題目給出條訓練數據包含圖片和標簽以及條測試數據只包含圖片要求給這些測試數據打上標簽要盡可能的準確網站中還有許多其

原博地址https://laboo.top/2018/11/21/tfjs-dr/

digit-recognizer

https://github-laziji.github.io/digit-recognizer/
演示開始時需要加載大概100M的訓練數據, 稍等片刻

調整訓練集的大小, 觀察測試結果的準確性

數據來源與 https://www.kaggle.com 中的一道題目 digit-recognizer
題目給出42000條訓練數據(包含圖片和標簽)以及28000條測試數據(只包含圖片)
要求給這些測試數據打上標簽[0,1,2,3....,9] 要盡可能的準確

網站中還有許多其他的機器學習的題目以及數據, 是個很好的練手的地方

這里我們使用TensorFlow.js來實現這個項目

卷積神經網絡的第一層有兩種作用, 它既是輸入層也是執行層, 接收IMAGE_H * IMAGE_W大小的黑白像素
最后一層是輸出層, 有10個輸出單元, 代表著0-9這十個值的概率分布, 例如 Label=2 , 輸出為[0.02,0.01,0.9,...,0.01]

function createConvModel() {
  const model = tf.sequential();

  model.add(tf.layers.conv2d({
    inputShape: [IMAGE_H, IMAGE_W, 1],
    kernelSize: 3,
    filters: 16,
    activation: "relu"
  }));

  model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));
  model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: "relu" }));
  model.add(tf.layers.maxPooling2d({ poolSize: 2, strides: 2 }));
  model.add(tf.layers.conv2d({ kernelSize: 3, filters: 32, activation: "relu" }));
  model.add(tf.layers.flatten({}));

  model.add(tf.layers.dense({ units: 64, activation: "relu" }));
  model.add(tf.layers.dense({ units: 10, activation: "softmax" }));

  return model;
}

我們選擇適當的優化器和損失函數, 來編譯模型

async function train() {

  ui.trainLog("Create model...");
  model = createConvModel();
  
  ui.trainLog("Compile model...");
  const optimizer = "rmsprop";
  model.compile({
    optimizer,
    loss: "categoricalCrossentropy",
    metrics: ["accuracy"],
  });
  const trainData = Data.getTrainData(ui.getTrainNum());
  
  ui.trainLog("Training model...");
  await model.fit(trainData.xs, trainData.labels, {});

  ui.trainLog("Completed!");
  ui.trainCompleted();
}

這里測試一組測試數據, 返回對應的標簽, 即十個輸出單元中概率最高的下標

function testOne(xs){
  if(!model){
    ui.viewLog("Need to train the model first");
    return;
  }
  ui.viewLog("Testing...");
  let output = model.predict(xs);
  ui.viewLog("Completed!");
  output.print();
  const axis = 1;
  const predictions = output.argMax(axis).dataSync();
  return predictions[0];
}

歡迎關注我的博客公眾號