جلسهی 12: پروژه: تشخیص رقم کوچک Project: Tiny Digit Recogniser
یک تشخیصدهندهی رقم دستنویس میسازی: رقمهای ۰ و ۱ روی شبکهی ۷×۷، با k-NN و فاصلهی پیکسلی، و دقتش را میسنجی.
در این جلسه یاد میگیری
- میتوانی یک عکس ۷×۷ را به یک لیست ۴۹تایی صاف کنی.
- میتوانی فاصلهی دو عکس را با شمردن پیکسلهای متفاوت حساب کنی.
- میتوانی k-NN جلسهی ۶ را روی عکس به کار بگیری و رقم تازه را تشخیص بدهی.
درس
در پروژهی این جلسه چیزی میسازی که سی سال پیش جایزهی علمی میگرفت: تشخیص رقم دستنویس. سادهاش را میسازیم: فقط ۰ و ۱، روی شبکهی ۷×۷. عکسها را به شکل رشته مینویسیم تا خواندنشان آسان باشد.
ZERO = [
".#####.",
"#.....#",
"#.....#",
"#.....#",
"#.....#",
"#.....#",
".#####.",
]
ONE = [
"...#...",
"..##...",
"...#...",
"...#...",
"...#...",
"...#...",
".#####.",
]قدم اول: عکس را صاف کن. ۷ سطرِ ۷ کاراکتری را به یک لیست ۴۹تایی از ۰ و ۱ تبدیل میکنیم. اینطوری عکس یک «نقطه» با ۴۹ عدد است، درست مثل میوهای که ۲ عدد (وزن و رنگ) داشت.
def flatten(picture):
pixels = []
for row in picture:
for ch in row:
if ch == "#":
pixels.append(1)
else:
pixels.append(0)
return pixels
print(len(flatten(ZERO)))قدم دوم: فاصلهی دو عکس. سادهترین راه: بشمار چند پیکسل با هم فرق دارند. دو عکس یکسان فاصلهی 0 دارند.
def distance(a, b):
diff = 0
for i in range(len(a)):
if a[i] != b[i]:
diff += 1
return diff
print(distance(flatten(ZERO), flatten(ONE)))قدم سوم: همان k-NN جلسهی ۶. مجموعهی آموزش چند ۰ و چند ۱ است که هر کدام کمی فرق دارند (دستخطهای مختلف). برای عکس تازه، ۳ نزدیکترین را پیدا کن و رأی بگیر.
قدم چهارم: دقت. چند عکس تازه (که مدل ندیده) را امتحان کن و بشمار چند تا درست بود. این عدد دقت مدل است، و تنها چیزی است که به ما میگوید مدل واقعاً چیزی یاد گرفته یا نه.
⚠️ دادهی تست باید تازه باشد: اگر مدل را با همان عکسهایی که آموزش دیده امتحان کنی، دقت ۱۰۰٪ میشود ولی هیچ معنایی ندارد؛ مدل فقط آنها را حفظ کرده. همیشه بخشی از داده را برای امتحان کنار بگذار. مدلهای واقعی هم همین قانون را دارند و وقتی زیر پا گذاشته شود، نتیجههای دروغین میدهند.
مثالهای این جلسه
- مثال لیست (هوش مصنوعی با پایتون): ZERO = [
- مثال تابع (هوش مصنوعی با پایتون): def flatten(picture):
- مثال تابع (هوش مصنوعی با پایتون): def distance(a, b):
چالشها
- Step 1: Flatten (آسان)
- Step 2: Picture Distance (متوسط)
- Step 3: Recognise (متوسط)
- Step 4: Accuracy (سخت)