22-LEKCIYA_MDQI

22-Lekciya. Kompyuter kóriw texnologiyalarında deep learning

Jobası:

1.Kompyuter kóriw texnologiyaları

2.deep learning

3.Konvolyuciyalıq neyron tarmaqları (CNN)

4.Python-da programmalastırıw

Kompyuter kóriw - bul cifrlı súwretler hám video maǵlıwmatların qayta islew hám túsiniw menen shuǵıllanatuǵın ilim hám texnologiya tarawı. Deep learning (tereń úyreniw) usılları kompyuter kóriw mashqalaların sheshiwde áhmiyetli áwladlıqlarǵa alıp keldi.

Kompyuter kóriwi - bul jasalma intellekttiń (JI) bir tarawı bolıp, ol mashina úyreniw hám neyron tarmaqlar járdeminde kompyuterlerge hám sistemalarǵa cifrlı súwretlerden, videolardan hám basqa kóriw kirislerinen áhmiyetli maǵlıwmatlardı alıwdı úyretiw - hám kemshiliklerdi yamasa máselelerdi kórgende usınıslar beriw yamasa háreketler qılıw ushın qollanıladı.

Kompyuter kóriwi kóp maǵlıwmat talap etedi. Ol ayırmashılıqlardı anıqlaǵansha hám aqırında súwretlerdi tanıǵansha maǵlıwmatlardı qayta-qayta analiz qıladı. Mısalı, kompyuterge avtomobil shinalardı tanıwdı úyretiw ushın, oǵan úlken kólemdegi shina súwretleri hám shina menen baylanıslı nárseler beriledi, solay etip ol ayırmashılıqlardı úyrenedi hám shinanı tanıydı, ásirese kemshiligi joq shinanı.

Bunı ámelge asırıw ushın eki tiykarǵı texnologiya qollanıladı: tereń úyreniw dep atalatıǵın mashina úyreniwiniń bir túri hám oraylastırılǵan neyronlıq tarmaq

(ONT).

Mashina úyreniw kóriw maǵlıwmatlarınıń kontekstin ózi úyreniw ushın kompyuterge múmkinshilik beretuǵın algoritmlik modellerin qollanadı. Eger modelge jetkilikli maǵlıwmat berilse, kompyuter maǵlıwmatlarǵa "qaraydı" hám bir súwretti ekinshisinen ayırıp alıwdı ózi úyrenedi. Algoritmler mashinaǵa ózi úyreniw múmkinshiligin beredi, yaǵnıy birewdiń oǵan súwretti tanıwdı programmalastırıwınıń ornına.

Kompyuter kóriwdiń tiykarǵı mashqalaları:

a)Súwret klassifikaciyası

b)Obyektti tabıw

c)Segmentaciya

d)Súwret generaciyası

e)Súwret qayta islew

Konvolyuciyalıq neyronnıń torları (CNN): CNN - kompyuter kóriw mashqalaların sheshiwde eń kóp qollanılatugın deep learning arxitekturası. Onıń tiykarǵı komponentleri:

a)Konvolyuciya qatlamları

b)Pooling qatlamları

c)Tolıq baylanısqan qatlamlar

Belgili CNN arxitekturaları:

a)LeNet

b)AlexNet

c)VGGNet

d)GoogLeNet (Inception)

e)ResNet

f)DenseNet

Kompyuter kóriwde deep learning qollanıwınıń qıyınshılıqları:

Úlken kólemdegi belgili maǵlıwmatlar talap etiledi

Esaplaw resurslardıń joqarı talabı

Model interpretaciyası qıyınshılıqları

Adversarial attacks

Deep learning usılları kompyuter kóriw tarawında áhmiyetli jetiskenliklege alıp keldi hám kóplegen real dúnya mashqalaların sheshiwde qollanılmaqta. Biraq, ele de sheshilmegen mashqalalar bar hám izertlew jumısları dawam etpekte.

Kompyuter kóriw texnologiyalarında deep learning boyınsha Python tilinde ámeliy mısal keltiremiz. Bul mısalda biz kóp qollanılatuǵın TensorFlow hám Keras

kitapxanalarınan paydalanıp, súwretlerdi klassifikaciyalaw ushın konvolyuciyalıq neyronnıq tarmaq (CNN) dúzemiz.

import tensorflow as tf

from tensorflow.keras import datasets, layers, models import matplotlib.pyplot as plt

# CIFAR-10 dataseti júklew hám tayarlaw

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# Piksel mánislerin 0 hám 1 aralıǵına normalizaciyalaw

train_images, test_images = train_images / 255.0, test_images / 255.0

# Klasslar dizimin anıqlaw

class_names = ['samolyot', 'avtomobil', 'qus', 'pishıq', 'bug'ı', 'iyt', 'at', 'qoy', 'truck', 'keme']

# CNN modelin dúziw

model = models.Sequential([

layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), layers.MaxPooling2D((2, 2)),

layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.Flatten(),

layers.Dense(64, activation='relu'), layers.Dense(10)

])

#Modeldi kompilyaciya qılıw model.compile(optimizer='adam',

loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])

#Modeldi úyretiw

history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

# Nátiyjelerin bahalaw

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'\nTest dállilik kórsetkishi: {test_acc}')

#Úyretiw processiniń grafiklerin sızıw plt.plot(history.history['accuracy'], label='accuracy') plt.plot(history.history['val_accuracy'], label = 'val_accuracy') plt.xlabel('Epoch')

plt.ylabel('Accuracy') plt.ylim([0.5, 1]) plt.legend(loc='lower right') plt.show()

#Bir neshe test súwretlerin klassifikaciyalaw

predictions = model.predict(test_images[:5]) for i in range(5):

plt.imshow(test_images[i])

plt.title(f"Haqıyqıy klass: {class_names[test_labels[i][0]]}\n"

f"Bolajaklaw: {class_names[tf.argmax(predictions[i])]}") plt.axis('off')

plt.show()

Bul kod mısalı CIFAR-10 dataseti tiykarında isleydi. Ol tómendegi adımlardan ibarat:

1.Kerekli kitapxanalardı import qılamız.

2.CIFAR-10 datesetin júkleymiz hám tayarlaymız.

3.Konvolyuciyalıq neyronlıq tarmaq (CNN) modelin dúzemiz.

4.Modeldi kompilyaciya qılamız hám úyretemiz.

5.Test dállilik kórsetkishin bahalap kóremiz.

6.Úyretiw processiniń grafigin sızamız.

7.Bir neshe test súwretin klassifikaciyalaymız hám nátiyjelerin kórsetemiz.

Bul kod tiykarında, siz kompyuter kóriw hám deep learning texnologiyalarınıń tiykarǵı koncepciyaların túsine alasız. Kodtı orınlaǵanıńızda, model CIFAR-10 datasetindegi súwretlerdi tanıp úyrenedi hám jańa súwretlerdi klassifikaciyalaw ushın qollanıla aladı.

Baqlaw sorawları:

1.Kompyuter kóriw degen ne hám ol qanday maqsetlerde qollanıladı?

2.Kompyuter kóriw texnologiyasınıń islewi ushın ne áhmiyetli hám ne ushın?

3.Kompyuter kóriwinde mashina úyreniwi qanday rol atqaradı?

4.Konvolyuciyalıq neyronlıq tarmaq (CNN) degen ne hám ol kompyuter kóriwinde qanday áhmiyetke iye?

5.Deep learning kompyuter kóriwinde qanday wazıypalardı orınlawǵa járdem beredi?

6.CIFAR-10 dataseti degen ne hám ol nege qollanıladı?

7.Kompyuter kóriw modelinde súwretlerdi normalizaciyalaw ne ushın áhmiyetli?

8.Konvolyuciyalıq qatlam hám pooling qatlamınıń wazıypaları nelerden ibarat?

9.Model úyretiw processinde 'accuracy' hám 'val_accuracy' kórsetkishleri neni

ańlatadı?

10.Kompyuter kóriw modelin bahalaw ushın qanday usıllar qollanıladı?