بتل کد Battle Codeدارد باز می‌شود…

جلسه‌ی 31: رقم‌های ۰ تا ۹ Digits 0 to 9

یک تصویر برای کامپیوتر یعنی جدول عدد. رقم‌های دست‌نویس را به شکل شبکه‌ی ۸×۸ از صفر و یک می‌نویسیم و برای ده کلاس، ده خروجی می‌سازیم.

در این جلسه یاد می‌گیری

درس

چطور کامپیوتر یک «تصویر» می‌بیند؟ به شکل جدولی از عددها. هر خانه یک پیکسل است: ۰ یعنی سفید، ۱ یعنی سیاه (در عکس واقعی عددی بین ۰ و ۲۵۵). یک رقم دست‌نویس در شبکه‌ی ۸×۸ می‌شود ۶۴ عدد. ما آن را به شکل ۸ رشته‌ی متنی می‌نویسیم تا راحت دیده شود.

one = [
    "00011000",
    "00111000",
    "00011000",
    "00011000",
    "00011000",
    "00011000",
    "00011000",
    "00111100",
]

مدل‌ها لیست عدد می‌خواهند، نه رشته. تابع flatten هشت رشته را به یک لیست ۶۴ عددی تبدیل می‌کند: روی هر سطر و هر کاراکتر بچرخ و int(ch) را اضافه کن. برعکسش هم آسان است: هر ۸ عدد یک سطر.

def flatten(rows):
    pixels = []
    for row in rows:
        for ch in row:
            pixels.append(int(ch))
    return pixels

pixels = flatten(one)
print(len(pixels))        # 64
print(sum(pixels))        # how many black pixels

می‌شود همه‌ی ۶۴ پیکسل را ویژگی گرفت (k-NN همین کار را می‌کند). اما ویژگی‌های دست‌ساز هم خیلی کمک می‌کنند: چند پیکسل در نیمه‌ی بالا روشن است؟ در نیمه‌ی پایین؟ چپ؟ راست؟ عدد «۱» باریک است، پس چپ و راستش کم است؛ «۰» دور تا دور روشن است و وسطش خالی.

def half_counts(rows):
    top = sum(row.count("1") for row in rows[:4])
    bottom = sum(row.count("1") for row in rows[4:])
    left = sum(row[:4].count("1") for row in rows)
    right = sum(row[4:].count("1") for row in rows)
    return [top, bottom, left, right]

print(half_counts(one))

تا حالا مدل‌هایمان دو کلاس داشتند: سیب/پرتقال، هرز/سالم. حالا ده کلاس داریم: رقم ۰ تا ۹. راه استاندارد: ده نورون خروجی، یکی برای هر رقم. هدف برای رقم ۳ می‌شود [0,0,0,1,0,0,0,0,0,0]؛ به این one-hot می‌گوییم: فقط یک خانه داغ است.

def one_hot(digit):
    target = [0] * 10
    target[digit] = 1
    return target

print(one_hot(3))

خروجی شبکه هم ده عدد بین ۰ و ۱ است، مثل «چقدر مطمئنم این ۰ است، چقدر ۱، ...». جواب نهایی، شماره‌ی بزرگ‌ترین خروجی است. به این عمل argmax می‌گویند: اندیسِ بیشینه. با max و index در پایتون ساده است.

def argmax(values):
    return values.index(max(values))

outputs = [0.1, 0.05, 0.02, 0.7, 0.1, 0.0, 0.01, 0.0, 0.02, 0.0]
print(argmax(outputs))     # 3

برای k-NN ده کلاس هیچ فرقی ندارد: فاصله‌ی ۶۴ پیکسل را حساب می‌کند و برچسب نزدیک‌ترین را کپی می‌کند؛ برچسب می‌تواند هر رقمی باشد. برای شبکه‌ی عصبی، ده نورون خروجی داریم و هر کدام مثل جلسه‌ی قبل آموزش می‌بیند، فقط هدفش خانه‌ی خودش در one-hot است.

اشتباه رایج: مقایسه‌ی تصویر با رشته‌ها ("00011000" - "00111000" خطا می‌دهد)؛ اول با flatten عدد کن. اشتباه دوم: argmax را با max قاطی کردن؛ max خودِ بزرگ‌ترین عدد (مثلاً ۰.۷) را می‌دهد، ولی ما شماره‌اش (۳) را می‌خواهیم.

مثال‌های این جلسه

چالش‌ها

  1. Flatten the Image (آسان)
  2. One-Hot Target (آسان)
  3. argmax (متوسط)
  4. Half Counts (متوسط)
  5. Nearest Digit (سخت)
  6. Ten Output Neurons (سخت)

بیشتر بخوان

← جلسه‌ی 30: شبکه‌ی XOR با دست جلسه‌ی 32: پروژه: شناسای رقم →