Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

εισαγωγή

Η ταξινόμηση εικόνων είναι μια βασική εργασία στην όραση υπολογιστή, η οποία επιτρέπει στους υπολογιστές να αναγνωρίζουν αυτόματα τα αντικείμενα στις εικόνες. Σε αυτό το άρθρο, θα χρησιμοποιήσουμε Python και TensorFlow για να εφαρμόσουμε ένα απλό μοντέλο ταξινόμησης εικόνων που θα βοηθήσει όλους να κατανοήσουν τα βασικά της τεχνολογίας AI.

Παρασκευή

Αρχικά, πρέπει να εγκαταστήσουμε κάποιες απαραίτητες βιβλιοθήκες Python. Ανοίξτε ένα τερματικό γραμμής εντολών και εκτελέστε την ακόλουθη εντολή:

pip install tensorflow numpy matplotlib

Φόρτωση δεδομένων

Θα χρησιμοποιήσουμε το περίφημο σύνολο δεδομένων MNIST, το οποίο περιέχει εικόνες χειρόγραφων ψηφίων (0 έως 9). Το TensorFlow έχει ήδη ενσωματωμένο αυτό το σύνολο δεδομένων, ώστε να μπορούμε να το φορτώσουμε εύκολα.

import tensorflow as tf
from tensorflow.keras.datasets import mnist
 
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
 
# 归一化图像数据
x_train, x_test = x_train / 255.0, x_test / 255.0

Κατασκευή μοντέλου

Θα χρησιμοποιήσουμε ένα απλό μοντέλο νευρωνικών δικτύων για ταξινόμηση εικόνων. Αυτό το μοντέλο περιέχει ένα στρώμα εισόδου (Flatten layer), δύο πλήρως συνδεδεμένα στρώματα (Dense layer) και ένα στρώμα εξόδου.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
 
# 构建顺序模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 输入层：将28x28的图像展平成一维数组
    Dense(128, activation='relu'),  # 隐藏层：128个神经元，使用ReLU激活函数
    Dense(10, activation='softmax') # 输出层：10个神经元，使用Softmax激活函数
])
 
# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Μοντέλο εκπαίδευσης

Τώρα, μπορούμε να εκπαιδεύσουμε το μοντέλο. Θα χρησιμοποιήσουμε τα δεδομένα εκπαίδευσης (x_train, y_train) για να εκπαιδεύσουμε το μοντέλο και τα δεδομένα δοκιμής (x_test, y_test) για να αξιολογήσουμε την απόδοση του μοντέλου.

# 训练模型
model.fit(x_train, y_train, epochs=5)
 
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('测试准确率:', test_acc)

προβλεπόμενη εικόνα

Αφού ολοκληρωθεί η εκπαίδευση, μπορούμε να χρησιμοποιήσουμε το μοντέλο για να προβλέψουμε νέες εικόνες. Δείτε πώς μπορείτε να κάνετε προβλέψεις σε μία εικόνα από τα δεδομένα δοκιμής.

import numpy as np
import matplotlib.pyplot as plt
 
# 选择一张测试图像
img = x_test[0]
plt.imshow(img, cmap='gray')
plt.show()
 
# 预测图像类别
img = np.expand_dims(img, 0)  # 扩展维度以匹配模型输入
predictions = model.predict(img)
predicted_class = np.argmax(predictions)
print('预测类别:', predicted_class)

Συνοψίζω

Σε αυτό το άρθρο, ξεκινήσαμε από την αρχή και εφαρμόσαμε ένα απλό μοντέλο ταξινόμησης εικόνων χρησιμοποιώντας Python και TensorFlow. Μέσα από αυτό το παράδειγμα, μάθαμε πώς να φορτώνουμε δεδομένα, να χτίζουμε ένα μοντέλο, να εκπαιδεύουμε το μοντέλο και να κάνουμε προβλέψεις. Ελπίζω ότι αυτό το άρθρο μπορεί να σας βοηθήσει να ξεκινήσετε με την τεχνολογία AI και να εμπνεύσει το ενδιαφέρον σας για περαιτέρω εξερεύνηση σε αυτόν τον τομέα.

---

Αυτό το άρθρο εισάγει τον τρόπο εφαρμογής ενός απλού μοντέλου ταξινόμησης εικόνων χρησιμοποιώντας Python και TensorFlow και παρέχει λεπτομερή παραδείγματα κώδικα που θα σας βοηθήσουν να ολοκληρώσετε αυτήν την εργασία βήμα προς βήμα. Προς το παρόν, η Python είναι επίσης πολύ δημοφιλής, ο συγγραφέας δεν μπορεί να σταματήσει να προχωρά. Οι γλώσσες είναι όλες ίδιες, απλά μάθετε τις!