TrưỜng đẠi họC ĐIỆn lực khoa đIỆn tử viễn thông tiểu luận môn họC: KỸ thuật lập trìNH TROng đtvt
tải về 0.86 Mb. Chế độ xem pdf
|
DeCuongOnThi NhapMonTinHoc K1 2021 D15 Đã sửa
- Điều hướng trang này:
- 5.2. Cài đặt thư viện
- 5.3. Bài toán và code: BÀI TOÁN: “ NHẬN DIỆN CHỮ VIẾT TAY” 5.3.1. CNN – mạng nơ-ron tích chập ( Convolutional Neural Netword ) Code
| Lý do chọn bài toán: Trong Machine learning hệ thống nhận diện sẽ bao gồm
nhiều công đoạn phức tạp. Để hoàn thiện lên hệ thống đó thì chúng ta cần nhận diện được những thứ cơ bản như: nhận diện mặt người, nhận diện đồ vật, nhận diện hình dạng. Nhận diện mặt chữ là một bài toán điển hình để có thể tiến đến các hệ thống khác. BÀI TOÁN: “ NHẬN DIỆN CHỮ VIẾT TAY” Hệ thống OCR, OCR là thuật ngữ được viết tắt từ Optical Character Recognition ( Nhận dạng ký tự quang học). Đây là ứng dụng công nghệ chuyên dùng để đọc text ở file ảnh, nhận dạng các ký tự, chữ viết tay, hay chữ đánh máy, có khả năng kỹ thuật số nhiều dạng tài liệu như: hóa đơn, hộ chiếu, danh thiếp, tài liệu, … 5.2. Cài đặt thư viện - OpenCV – Python - Tensorflow: thư viện phần mềm mã nguồn mở dành cho máy học trong nhiều loại hình tác vụ nhận thức và hiểu ngôn ngữ - Keras: thư viện phần mềm mã nguồn mở cung cấp giao diện Python cho các mạng nơ-ron nhân tạo. - Matplotlib: thư viện vẽ đồ thị cho ngôn ngữ lập trình Python và phần mở rộng toán học số NumPy của nó - Numpy: thư viện cho ngôn ngữ lập trình Python, thêm hỗ trợ cho các mảng và ma trận lớn, đa chiều, cùng với một tập hợp lớn các hàm toán học cấp cao để hoạt động trên các mảng này. 5.3. Bài toán và code: BÀI TOÁN: “ NHẬN DIỆN CHỮ VIẾT TAY” 5.3.1. CNN – mạng nơ-ron tích chập ( Convolutional Neural Netword ) Code: Kỹ thuật lập trình PYTHON Giảng Viên Hướng Dẫn: TS. Lê Trọng Hiếu 27 Bước 3: from keras.models import Sequential from keras.layers import Conv2D from keras.layers import MaxPooling2D from keras.layers import Flatten from keras.layers import Dense from keras.preprocessing.image import ImageDataGenerator from keras.layers import Dropout from keras.models import model_from_json classifier = Sequential() classifier.add(Conv2D(36, (3, 3), input_shape = (30, 30, 3),strides=1, activation = 'relu')) classifier.add(MaxPooling2D(pool_size = (2, 2))) classifier.add(Conv2D(72, (3, 3),strides = 2, activation = 'relu')) classifier.add(MaxPooling2D(pool_size = (2, 2))) classifier.add(Flatten()) classifier.add(Dense(units = 256, activation = 'relu')) classifier.add(Dropout(0.1)) classifier.add(Dense(units = 14, activation = 'softmax')) classifier.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) train_datagen = ImageDataGenerator(rescale = 1./255,shear_range = 0.1,zoom_range = 0.1) training_set = train_datagen.flow_from_directory('training_set',batch_size = 5,target_size=(30,30)) test_datagen = ImageDataGenerator(rescale = 1./255) test_set = train_datagen.flow_from_directory('test_set',batch_size = 2,target_size=(30,30)) from keras.callbacks import ModelCheckpoint filepath = "BestWeights14.h5" checkPoint = ModelCheckpoint(filepath,monitor="val_acc",save_best_only= True, mode ='max') callbacks_list = [checkPoint] classifier.fit_generator(training_set,epochs = 54,validation_data = test_set, validation_steps = 35, callbacks=callbacks_list) Kỹ thuật lập trình PYTHON Giảng Viên Hướng Dẫn: TS. Lê Trọng Hiếu 28 tải về 0.86 Mb. Chia sẻ với bạn bè của bạn:
|