Bul qóllanbada 10 taypa daǵı 70 000 kúl reń suwretti óz ishine alǵan Fashion



Download 210,74 Kb.
Pdf ko'rish
Sana12.07.2022
Hajmi210,74 Kb.
#781179
Bog'liq
vertopal.com Tenserflow



Tensorflow
Bul qóllanbada 10 taypa daǵı 70 000 kúl reń suwretti óz ishine alǵan Fashion 
MNIST maǵlıwmatlar kompleksinen paydalanıladı. Súwretler bul jerde 
kórsetilgeni sıyaqlı, tómen ólshem degi (28 x28 piksel) kiyimdiń bólek 
buyımların kórsetedi: 
Bul jerde tarmaqtı úyretiw ushın 60 000 súwret hám tarmaq suwretlerdi 
klassifikaciyalawdı qanshellilik anıq úyrengenligin bahalaw ushın 10 000 súwret 
isletiledi. FASHION MNIST-ga tuwrıdan- tuwrı TensorFlow-den kiriwińiz 
múmkin. Fashion MNIST maǵlıwmatların tuwrıdan-tuwrı TensorFlow'dan import 
etiń hám júkleń:: 
1- Bul jerde biz tensorflow, numpy, matplotlib kitapxanalarin shaqiramiz 
import tensorflow as tf 
import numpy as np 
import matplotlib.pyplot as plt 


Mag'liwmatlardi oqitiw 
**Fashion mnistti oqitip oni traning_set ham test_set bolg'an 2 ozgeriwshige berip 
to'mendegi listlerge beremis.** 
RASMLAR 

tf.keras.datasets.fashion_mnist 
training_set,test_set=RASMLAR.load_data() 
(rasmlar_massivi,rasmlar_javobi)=training_set 
(tekshirish_rasmlari, tekshirish_javoblari)=test_set 
Downloading data from 
https://storage.googleapis.com/tensorflow/tf- keras-
datasets/train-labels-idx1-ubyte.gz
 
32768/29515 [=================================] - 0s 0us/step 
40960/29515 [=========================================] - 0s 
0us/step 
Downloading data from 
https://storage.googleapis.com/tensorflow/tf

keras-datasets/train-images-idx3-ubyte.gz 
26427392/26421880 [==============================] - 0s 0us/step 
26435584/26421880 [==============================] - 0s 0us/step 
Downloading data from 
https://storage.googleapis.com/tensorflow/tf- keras-
datasets/t10k-labels-idx1-ubyte.gz
 
16384/5148 
[=========================================================
============ 
==========================] - 0s 0us/step 


Downloading data from 
https://storage.googleapis.com/tensorflow/tf- keras-
datasets/t10k-images-idx3-ubyte.gz
 
4423680/4422102 [==============================] - 0s 0us/step 
4431872/4422102 [==============================] - 0s 0us/step 
***"kategoriyalardin' sani bul jerde 10 bolip, bular fashion_mnist te berilgen. 
olar 0,1,2,3,....9 ga shekem belgilenedi. Suwretlerdin' ati shig'iwi ushin olarg'a at 
beremiz*** 
kiyimlar_nomlari=['Futbolka', #0 
'Shalbar', 
#1 
'Sviter', 
#2 
'Erler kóylegi', #3 
'Palto', 
#4 
'Sandalet', #5 
'Kóylek', 
#6 
'Krossovka', #7 
'Sumka', 
#8 
'Etik' 
#9 

Kitapxanadagi magliwmatti tanlap alamiz!!! 
plt.imshow(tekshirish_rasmlari[99]) kiyimlar_nomlari[tekshirish_javoblari[99]] 
{"type":"string"} 


Mag'liwmatlar ushin su'wretler bizde matrica turinde boladi.Su'wretler ko'lemin 
kishireytiw ushin olardi 255.0 ke bo'lemiz. 255.0ke bo'lgende ha'r bir element 
bo'linedi. 
**To'mende formula arqali berilgen kategoriyalardin' duris yamasa qateligi 
tekseriledi. Tekseriw procesi su'wret penen onin ati birdey boliwi kerek. 
rasmlar_massivi = rasmlar_massivi/255.0 tekshirish_rasmlari=tekshirish_rasmlari 
/255.0 
plt.figure(figsize=(15,15)) 
#15x15 dyum figsize(eni ham biyiklik) 
for i in range(25): 
plt.subplot(5,5,i+1) 
#5x5 suwretler qatarin shigaradi 
plt.xticks([]) 


plt.yticks([]) 
plt.imshow(rasmlar_massivi[i], 
cmap=plt.cm.binary) 
#imshow=korsetiw 
cmap=renler xariytasin ozgertiw plt.cm.binary=kulren' cvet qiladi 
plt.xlabel(kiyimlar_nomlari[rasmlar_javobi[i]]) 
# kiyimler atlarin x 
kosherde shigaradi 
plt.show() 
* Modelin duziw* 



qatlamda Su'wretimizdin' olsemi 28x28 bolganliqtan 784 neyronnan ibarat. 

qatlam 128 neyron bolip ol 784 neyronnan signal qabillaydi. Ham 
birinshi qatlamdag'i har bir neyron ekinshi qatlamdag'i neyronlar menen 
baylanisadi. 

qatlam 10 neyronnan turadi og'an 128 neyronnan signal keledi. 10 neyron 
degenimiz bizde 10 kategoriya bar. Bunda RULE aktivacion funkciasinan 
paydalandiq 
model 

tf.keras.Sequential([ 
tf.keras.layers.Flatten(input_shape=(28,28)), 
tf.keras.layers.Dense(128,activation='relu'), tf.keras.layers.Dense(10) 
]) 
loss qatelikti ko'rsetedi. 3-qatlamnan aling'an qa'teliklerdi alip salmaqlardi 
o'zgertedi.
model.compile(optimizer='adam', 
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), 
metrics=['accuracy']) #aniqliq da'rejesi 


Bul jerde oqitilg'an modeldin har birinin epochs dagi loss da'rejesi aniqliq 
da'rejesin aliwg'a boladi. Keyin qaysi biri en' ulken bolsa soni bizge suwret 
kategoriyasin jiberedi. 
model.fit(rasmlar_massivi,rasmlar_javobi,epochs=10) 
Epoch 1/10 
1875/1875 [==============================] - 6s 3ms/step - loss: 
0.4942 - accuracy: 0.8249 
Epoch 2/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.3732 - accuracy: 0.8658 
Epoch 3/10 
1875/1875 [==============================] - 6s 3ms/step - loss: 
0.3360 - accuracy: 0.8764 
Epoch 4/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.3128 - accuracy: 0.8856 
Epoch 5/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.2951 - accuracy: 0.8907 
Epoch 6/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.2787 - accuracy: 0.8971 
Epoch 7/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 


0.2665 - accuracy: 0.9011 
Epoch 8/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.2561 - accuracy: 0.9041 
Epoch 9/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.2472 - accuracy: 0.9077 
Epoch 10/10 
1875/1875 [==============================] - 5s 3ms/step - loss: 
0.2380 - accuracy: 0.9114 
 
model_softmax=tf.keras.Sequential([ 
model, tf.keras.layers.Softmax() 
]

predictions = model_softmax.predict(tekshirish_rasmlari) 
plt.imshow(tekshirish_rasmlari[101]) 
plt.xlabel(kiyimlar_nomlari[np.argmax(predictions[101])]) 
Text(0.5, 0, 'Kóylek') 



Download 210,74 Kb.

Do'stlaringiz bilan baham:




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