共计 1770 个字符，预计需要花费 5 分钟才能阅读完成。
原博地址 https://laboo.top/2018/11/21/tfjs-dr/
源码
digit-recognizer
demo
https://github-laziji.github.io/digit-recognizer/ 演示开始时需要加载大概 100M 的训练数据, 稍等片刻
调整训练集的大小, 观察测试结果的准确性
数据来源
数据来源与 https://www.kaggle.com 中的一道题目 digit-recognizer 题目给出 42000 条训练数据 (包含图片和标签) 以及 28000 条测试数据 (只包含图片) 要求给这些测试数据打上标签[0,1,2,3….,9] 要尽可能的准确
网站中还有许多其他的机器学习的题目以及数据, 是个很好的练手的地方
实现
这里我们使用 TensorFlow.js 来实现这个项目
创建模型
卷积神经网络的第一层有两种作用, 它既是输入层也是执行层, 接收 IMAGE_H * IMAGE_W 大小的黑白像素最后一层是输出层, 有 10 个输出单元, 代表着 0 - 9 这十个值的概率分布, 例如 Label=2 , 输出为[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;
}
训练模型
我们选择适当的优化器和损失函数, 来编译模型
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();
}
测试
这里测试一组测试数据, 返回对应的标签, 即十个输出单元中概率最高的下标
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];
}
欢迎关注我的博客公众号
