Классификация изображений
В качестве набора данных выбран «FlowerPhotos» — набор данных для классификации фотографий цветов.
Используемые библиотеки: tensorflow, keras, matplotlib, numpy, pillow, PySide6.
Сначала импортируются необходимые библиотеки и загружаются наборы данных из Интернета на диск (рис. 4.92) [16].
Рисунок 4.116 — Импорт необходимых библиотек и загрузка набора данных
Отображается файл элемента набора данных (рис. 4.93).
Рисунок 4.117 — Просмотр файла элемента набора данных
Загружается набор с диска с помощью утилиты Keras (рис. 4.94).
Рисунок 4.118 — Загрузка набора с диска с помощью утилиты Keras
Отображаются элементы набора данных (рис. 4.95).
Рисунок 4.119 — Просмотр элементов набора данных
Данные искажаются (англ. «augmentation») для более качественного обучения модели (рис. 4.96).
Рисунок 4.120 — Искажение данных для более качественного обучения
Создается модель для обучения (рис. 4.97).
Рисунок 4.121 — Сверточная нейронная сеть для обучения
Модель компилируется (рис. 4.98).
Рисунок 4.122 — Компиляция модели, 3.989.285 параметров
Начинается обучение (рис. 4.99).
Рисунок 4.123 — Обучение модели началось
Обучение заканчивается (рис. 4.100).
Рисунок 4.124 — Обучение модели закончилось
История обучения визуализируется на графиках (рис. 4.101).
Рисунок 4.125 — Визуализация истории обучения
Предсказываются новые данные моделью (рис. 4.102).
Рисунок 4.126 — Отнесение фотографии к категории «подсолнухи» с достоверностью 97.87%
Определяется содержимое дополнительного инструмента визуализации (рис. 4.103-4.105).
Рисунок 4.127 — Определение содержимого дополнительного инструмента (1)
Рисунок 4.128 — Определение содержимого дополнительного инструмента (2)
Рисунок 4.129 — Определение содержимого дополнительного инструмента (3)
В созданном инструменте вводится URL изображения для классификации. Кнопка «Загрузить» загружает изображение на диск. Кнопка «Классифицировать» классифицирует изображение.
Классификация розы (рис. 4.106).
Рисунок 4.130 — Классификация розы (достоверность 86%)
Классификация тюльпана (рис. 4.107).
Рисунок 4.131 — Классификация тюльпана (достоверность 99%)
Классификация ромашки (рис. 4.108).
Рисунок 4.132 — Классификация ромашки (достоверность 99%)
Классификация одуванчика (рис. 4.109).
Рисунок 4.133 — Классификация одуванчика
Классификация подсолнуха (рис. 4.110).
Рисунок 4.134 — Классификация подсолнуха
Классификация текста
В качестве набора данных выбран «imdb» — набор данных для классификации эмоциональной окраски (тональности) отзывов пользователей на кинематографические картины (Internet Movie Database).
Используемые библиотеки: tensorflow, keras, matplotlib, numpy, PySide6.
Сначала импортируются необходимые библиотеки и загружаются наборы данных (рис. 4.111) [17].
Рисунок 4.135 — Импорт необходимых библиотек и загрузка набора данных imdb
Настраивается входной конвейер (рис. 4.112).
Рисунок 4.136 — Настройка входного конвейера
Данные перемешиваются для подготовки и создания партии (text, label) пар (рис. 4.113).
Рисунок 4.137 — Перемешивание данных для подготовки и создание партии пар
Создается кодировщик текста (рис. 4.114).
Рисунок 4.138 — Создание кодировщика текста
Блок текста описывает используемую модель в графическом виде (рис. 4.115).
Рисунок 4.139 — Блок текста описывает модель в графическом виде
Модель создается и компилируется (рис. 4.116).
Рисунок 4.140 — Создание и компиляция модели
Модель обучается и валидируется (рис. 4.117).
Рисунок 4.141 — Обучение и валидация модели
История обучения визуализируется на графиках (рис. 4.118).
Рисунок 4.142 — Визуализация истории обучения
Анализ тональности примера текста (рис. 4.119) и инструмент визуализации (4.119-4.121).
Рисунок 4.143 — Анализ тональности примера текста и инструмент визуализации (1)
Рисунок 4.144 — Инструмент визуализации (2)
Рисунок 4.145 — Инструмент визуализации (3)
Примеры классификаций текстов приведены на рисунках 4.122-4.123.
Рисунок 4.146 — Примеры классификаций текстов (1)
Рисунок 4.147 — Примеры классификаций текстов (2)