现在,倘若你再问吾这个题目,吾能够引导你访问 https://rps-tfjs.netlify.com/,并说:「您能够 10 分钟内在涉猎器中训练一个模型。」
你能够会想,吾们答该行使高级的模型,这是一个常见的陷阱。倘若你选择高级模型,你能够会遇到一些常见的题目。最先,它必要更长的时间来训练,第二,它甚至能够训练地不益。第三,倘若训练时间过长,高级模型将展现太甚拟相符表象。
单击按钮-准备训练
倘若你回到两年前,现在要让吾写一个算法,拍摄一只手的图像,并确定它是石头、剪刀照样布。吾会说这有能够实现,但必要给吾 6 个月时间。
Demo:https://rps-tfjs.netlify.com/
幸运的是,吾们能够行使一个经典的技巧将一组图像传输到涉猎器:sprite 外。吾们把一组图像粘在一首形成单独的图像。在这栽情况下,每一个幼图都睁开成一个向量,这些向量堆叠在一首就是一张「大图」。经历这栽手段,吾们就能够创建 10MB 的大图像来保存所有幼图像。
吾得到了一个适用于浅易数据的浅易模型,还有一个高级模型。其中高级模型对众个角度和背景的数据更有效,它的鲁棒性更强。
实在率图外中的橙色线是在验证集上的外现,即模型在未经训练的 420 张图像上准确度如何。能够望到橙色线的训练实在率很高!吾们的模型答该很益地泛化。
------------------------------------------------
选自Heartbeat
机器学习必要数据来训练模型,吾们憧憬经过一段时间的训练后,新2线上开户这个模型变得有余智慧, 赌比赛的电竞软件从而识别以前从未见过的石头、剪刀和布的照片。
你已经在你的涉猎器中训练了一个模型, 雷电竞靠谱吗验证测试了它, 电竞之家APP下载甚至在现实场景中测试了它。很稀奇人能做到这一点,新2线上开户在涉猎器中完善这全部的人甚至更少。
太甚拟正当味着该模型在展望训练数据方面专门特出,但是对从未见过的数据专门糟糕,一个益的机器学习模型答该是能够泛化的。
能够必要一秒钟的时间来添载并解析大图像,并且当你按下网站上的按钮时,新闻将被填充到 TensorFlow Visor。它基本上是一个幼的滑动菜单,协助吾们在训练时表现新闻。
单张幼图缩短到 64x64,上图统统 2520 张,博电竞APP产生的图像是。
参与:韩放
添载 42 张随机样本并表现在 vis 中。
什么样的「石头剪刀布」模型才算益
作者:Gant Laborde
现在吾们终于能够在现实世界中测试吾们的模型了。行使网络摄像头,吾们能够检查吾们本身的手是否有石头剪刀布!请记住,吾们期待吾们的照片与吾们的训练图像相通,以便平常运走。
转换成如许的荟萃:
末了本项现在标一些资源:
既然所有图像都被组相符成单一的图像,吾们就能够将图像分割开来进走训练和验证。
此外,吾们将在此侧菜单中望到模型层、未经训练的终局、训练统计新闻和训练终局。
正如在这边望到的,布被不料埠归类为剪刀 6 次。这是有道理的,未必候布望首来有点像剪刀。像上面如许的杂沓矩阵能够协助吾们找出必要解决的题目。
正如你所望到的,剪刀总是实在的,而吾们最差的类是布,只有 95% 的实在率。由于训练是随机初首化的,因而每次终局会略有差别。为了进一步发掘识别成绩,吾们也得到了一个杂沓矩阵。
Python 源代码在这个项现在标 spritemaker 文件夹中,因此倘若你要对十足差别的数据集实走相通的操作,能够用它创建本身的 sprite 外。
机器之心编译
吾编写了本身的 sprite 外生成器,并在「石头剪刀布」数据集上运走它。终局望首来很疯狂。您能够望到如许的图像:
你创建模型的界面如下:
经历这个网站,吾们能够在涉猎器中实在得完善识别石头剪刀布这一义务,所有计算都在本地完善,速度将取决于本地硬件的益坏。由于该项现在行使了 TensorFlow.js,所有繁重的做事都发生在涉猎器和 JavaScript 中!
最先,吾们必要一些「石头、剪刀、布」图像的训练数据。先不要急着给所有的同伴打电话搜集数据,吾们能够行使谷歌 Laurence Moroney 挑供的一些特出数据。
涉猎器怎样添载训练数据
在 visor 上,吾们将望到从数据荟萃随机抽取了 42 张图像行为测试数据。所有图像数据是 RGB 的,但是倘若吾们掀开 constants.js,能够将通道数缩短到 1。
网络摄像头将拍摄并转换为 64x64 图像。
源代码:https://github.com/GantMan/rps_tfjs_demo
什么是网页版「石头剪刀布」
末了望望成绩吧
数据集地址:http://www.laurencemoroney.com/rock-paper-scissors-dataset/
在训练模型时,每一次迭代更新一张成绩图外,在本例中为 512 个图像迭代一次。并且每个 epoch 更新一次图标。卓异的训练迭代意味着亏损缩短,实在度挑高。
在平常的机器学习做事流程中,吾们能够按文件夹结构图像文件,并经历浅易的全局变量获取。但是在涉猎器中,编制对内存中添载的内容进走了沙盒处理,倘若吾们要添载 10MB 的图像,那么就会遇到窒碍。
将二维图像睁开成一维向量的成绩图。
你清新怎样在涉猎器中训练并测试机器学习模型吗?本文带你迅速训练一个「剪刀石头布」的识别模型,你能够在家向同伴演示你的模型成绩。
,,