% Resize the images to match the network input layer.
opts = trainingOptions("sgdm",...
"ExecutionEnvironment","auto",...
"InitialLearnRate",0.01,...
"MaxEpochs",5,...
"Shuffle","every-epoch",...
"Plots","training-progress",...
"ValidationData",augimdsValidation);
layers = [
imageInputLayer([28 28 1],"Name","imageinput")
convolution2dLayer([3 3],32,"Name","conv","Padding","same")
batchNormalizationLayer("Name","batchnorm")
reluLayer("Name","relu")
fullyConnectedLayer(10,"Name","fc")
softmaxLayer("Name","softmax")
classificationLayer("Name","classoutput")];
[net, traininfo] = trainNetwork(augimdsTrain,layers,opts);
predicted = [];
predicted = categorical(predicted);
for i = 1:size(imdsValidation.Files)
I = imread(imdsValidation.Files{i});
[YPred,probs] = classify(net,I);
imshow(I);
label = YPred;
predicted(end + 1) = label;
title(string(label) + ", " + num2str(100*max(probs),3) + "%");
pause(0.05)
end
Šitoje užduotyje panaudojau klasifikatorių kad atpažintų skaičius iš validacijos duomenų
rinkinio ir pavaizduotų tikslumą.
%%
% Load training data from a file
trainingSetup = load("C:\Users\Rober\Desktop\matlab\params_2022_12_28__15_13_09.mat");
% Extract the training data from the loaded file
imdsTrain = trainingSetup.imdsTrain;
% Split the training data into training and validation sets
[imdsTrain, imdsValidation] = splitEachLabel(imdsTrain,0.7,"randomized");
% Resize the images in the training and validation sets to match the network input layer
augimdsTrain = augmentedImageDatastore([28 28 1],imdsTrain);
augimdsValidation = augmentedImageDatastore([28 28 1],imdsValidation);
% Set up training options for the network
opts = trainingOptions("sgdm",...
"ExecutionEnvironment","auto",... % Use the best available execution environment
"InitialLearnRate",0.01,... % Initial learning rate
"MaxEpochs",5,... % Maximum number of epochs
"Shuffle","every-epoch",... % Shuffle the data every epoch
"Plots","training-progress",... % Plot training progress
"ValidationData",augimdsValidation); % Use augimdsValidation as the validation data
% Define the network layers
layers = [
imageInputLayer([28 28 1],"Name","imageinput") % Input layer with 28x28x1 images
convolution2dLayer([3 3],32,"Name","conv","Padding","same") % Convolutional layer with
3x3 kernels, 32 filters, and "same" padding
batchNormalizationLayer("Name","batchnorm") % Batch normalization layer
reluLayer("Name","relu") % ReLU activation layer
fullyConnectedLayer(10,"Name","fc") % Fully connected...
Šį darbą sudaro 499 žodžiai, tikrai rasi tai, ko ieškai!
★ Klientai rekomenduoja
Šį rašto darbą rekomenduoja mūsų klientai. Ką tai reiškia?
Mūsų svetainėje pateikiama dešimtys tūkstančių skirtingų rašto darbų, kuriuos įkėlė daugybė moksleivių ir studentų su skirtingais gabumais. Būtent šis rašto darbas yra patikrintas specialistų ir rekomenduojamas kitų klientų, kurie po atsisiuntimo įvertino šį mokslo darbą teigiamai. Todėl galite būti tikri, kad šis pasirinkimas geriausias!
Norint atsisiųsti šį darbą spausk ☞ Peržiūrėti darbą mygtuką!
Mūsų mokslo darbų bazėje yra daugybė įvairių mokslo darbų, todėl tikrai atrasi sau tinkamą!
Panašūs darbai
Atsisiuntei rašto darbą ir neradai jame reikalingos informacijos? Pakeisime jį kitu nemokamai.
Pirkdamas daugiau nei vieną darbą, nuo sekančių darbų gausi 25% nuolaidą.
Išsirink norimus rašto darbus ir gauk juos akimirksniu po sėkmingo apmokėjimo!