“sun’iy intelekt va neyron tarmoqlari” fanidan mustaqil ish Mavzu: Neyron tarmoqni qurishni Tensorflow da amalga oshirish



Download 0,73 Mb.
Pdf ko'rish
bet4/6
Sana22.12.2022
Hajmi0,73 Mb.
#894297
1   2   3   4   5   6
Bog'liq
Neyron tarmoqni qurishni Tensorflow da amalga oshirish

Modelni tuzish 
Model o'qitishga tayyor bo'lishidan oldin unga yana bir nechta tuzatishlar 
kerak bo'ladi. Ular modelni tuzish bosqichida qo'shiladi: 
Loss function (yo'qotish funktsiyasi) - mashg'ulot paytida model qanchalik 
aniqligini o'lchaydi 
Optimizer (optimallashtiruvchi) - bu model ko'rgan ma'lumotlar va yo'qotish 
funktsiyasi asosida qanday yangilanishi 
Metrics (metrikalar) - o'qitish va test bosqichlarini nazorat qilish uchun 
ishlatiladi 
model.compile(optimizer=tf.train.AdamOptimizer(),
loss=
'sparse_categorical_crossentropy'

metrics=[
'accuracy'
]) 
Model tayyorlash 
Neyron tarmoq modelini o'rgatish quyidagi bosqichlarni talab qiladi: 
Oziqlantirish modeli oʻrgatish maʼlumotlari (ushbu misolda train_images va 
train_etiket massivlari) 
Model tasvirlar va teglarni bog'lashni o'rganadi 
Biz modeldan test to'plami haqida bashorat qilishni so'raymiz (bu misolda 
test_images massivi). Yorliqlar prognozlari mosligini labels massividan tekshiramiz 
(ushbu misolda test_labels massivi) 
Treningni boshlash uchun model.fit usulini chaqiring: 
model.fit(train_images, train_labels, epochs=
5

Modelni modellashtirishda yo'qotish (yo'qotish) va aniqlik (acc) ko'rsatkichlari 
ko'rsatiladi. Ushbu model o'quv ma'lumotlari bo'yicha taxminan 0,88 (yoki 88%) 
aniqlikka erishadi. 



Aniqlik balli 
Keling, test ma'lumotlar to'plamida model qanday ishlashini taqqoslaylik: 
test_loss, test_acc = model.evaluate(test_images, test_labels) 
print(
'Test accuracy:'
, test_acc) 
Ma'lum bo'lishicha, test ma'lumotlar to'plamidagi aniqlik o'quv to'plamidagi 
aniqlikdan bir oz kamroq. Treningning aniqligi va sinovning aniqligi o'rtasidagi bu 
bo'shliq haddan tashqari moslashishga misoldir. Mashinani o'rganish modeli o'quv 
ma'lumotlaridan ko'ra yangi ma'lumotlarda yomonroq ishlaydi. 
Prognozlash 
Biz ba'zi rasmlarni bashorat qilish uchun modeldan foydalanamiz. 
predictions = model.predict(test_images)
Bu erda model test to'plamidagi har bir tasvir uchun yorliqni bashorat qildi. 
Keling, birinchi bashoratni ko'rib chiqaylik: 
predictions[
0

Bashorat 10 ta raqamdan iborat massivdir. Ular modelning tasvir 10 xil 
kiyimning har biriga mos kelishiga “ishonchi”ni tasvirlaydi. Qaysi yorliq eng 
yuqori ishonch qiymatiga ega ekanligini ko'rishimiz mumkin: 
np.argmax(predictions[
0
]) 
#9
Shunday qilib, model bu tasvirning oyoq Bilagi zo'r botinka (to'piq botinkalari) 
yoki class_names ekanligiga ishonch hosil qiladi [9]. Toʻgʻriligiga ishonch hosil 
qilish uchun test yorligʻini tekshirishimiz mumkin: 
test_labels[
0
]
#9


Ushbu bashoratlarni tasavvur qilish uchun funktsiyalarni yozish 

Download 0,73 Mb.

Do'stlaringiz bilan baham:
1   2   3   4   5   6




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish