Keras Deep-Learning

Vision baseret maskinelæring som kan læse håndskrevne tal

Jeg har udforsket en del i maskine læring, og har lavet min egen maskine lærings model. Jeg brugte keras som er googles deep learning API til at lave en model som kan klassificere håndskrevne numre. Projektet er lavet i vs code og skrevet i python. Daten er importen fra keras.datasets.mnist og har over 10'000 billeder til at træne en model med.

GitHub

Live demo

Preprocessing

Først skal billederne hentes fra serveren. Billederne er sort/hvis på en scala fra 0-255 og hver pixel i billedet er udskiftet med et tal.

import keras

import keras.datasets.mnist

import keras.layers

data = keras.datasets.mnist

(train_images, train_labels), (test_images, test_labels) = data.load_data()

train_images = train_images/255.0

train_images = train_images/255.0

Create & compile model

Jeg brugte keras. Sequential til at lave en model med 3 lag. Første lag er til inputs. der er 784 inputs (28*28). Det midterste lag (hidden layer) har 128 neuroner. Det sidste lag har 10 output neuroner. fra 0 til 9.

model = keras.Sequential([

# input layer 784/28*28 neurons

keras.layers.Flatten(input_shape=(28, 28)),

# hidden layer 128 neurons

keras.layers.Dense(128, activation=“relu”),

# output layer 10 neurons

keras.layers.Dense(10, activation=“softmax”) ])

# configures the model for training

model.compile(optimizer=“Adam", loss=“sparse_categorical_crossentropy”, metrics=[“accuracy”])

Train the model

Modellen skal nu tilpasse sig dataen. Flere tusinde billeder bliver vist til modellen sammen med resultatetat billedets Verdi. Det er også 15 epochs, hvilket vil sige at den ser alting 15 gange I tilfældig rækkefølge.

# train model

model.fit(train_images, train_labels, epochs=15)

# evaluate model

test_loss, test_acc = model.evaluate(test_images, test_labels)

# save model

model.save(“digit_classifier.h5”)

Use the model

Nu hvor modellen er gemt som en fil, er det nemt importere den I en ny fil, og bruge den til til at klassificere nye tal. Først importer jeg et billede af et tal. Billedet skal derefter gøres sort/hvis og eskaleres ned til en størrelse på 28 * 28 pixels. Jeg importere modellen som tidligere blev gemt og bruger den til at klassificere det nye billede.

import cv2

file = r"image.png"

image = cv2.imread(file, cv2.IMREAD_GRAYSCALE)

img_resized = cv2.resize(image, (28, 28), interpolation=cv2.INTER_LINEAR)

img_resized = cv2.bitwise_not(img_resized)

model_digit = keras.models.load_model("digit_classifier.h5")

predection = model.predict(img_resized)

print(class_names[predection])

Links

GitHub Live demo