simple MNIST convent

آموزش یک شبکه عصبی کانوولوشنال برای دسته‌بندی ارقام MNIST:

در این پست، به طور گام به گام روش ساده MNIST با استفاده از شبکه عصبی کانولوشن (CNN) می‌پردازیم. MNIST یک مجموعه داده استاندارد شامل تصاویر دست‌نویس ارقام 0 تا 9 است که برای آموزش و آزمایش مدل‌های تشخیص تصویر به کار می‌رود.

گام 1: بارگیری و پیش‌پردازش داده

ابتدا، داده‌های MNIST را بارگیری کرده و آنها را به داده‌های آموزش و آزمون تقسیم می‌کنیم:

1. مجموعه داده MNIST را از اینجا دانلود کنید.
2. داده ها را به دو دسته train و test تقسیم کنید.
3. تصاویر را به اندازه 28x28 پیکسل تغییر اندازه دهید.
4. تصاویر را به مقادیر بین 0 و 1 مقیاس بندی کنید.

import tensorflow as tf 
from tensorflow.keras.datasets import mnist 
from tensorflow.keras.utils import to_categorical 

# بارگیری داده‌ها
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# پیش‌پردازش داده‌ها 
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
train_labels = to_categorical(train_labels)
 test_labels = to_categorical(test_labels)

گام 2: ساخت مدل CNN

حالا، یک مدل CNN ساده با استفاده از TensorFlow و Keras بسازیم. این مدل شامل لایه‌های کانوولوشنال، لایه‌های MaxPooling و لایه‌های Fully Connected است:

1. از کتابخانه TensorFlow یا PyTorch برای ساخت مدل CNN استفاده کنید.
2. مدل CNN شما باید شامل لایه های کانولوشن، استخر و کاملاً متصل باشد.
3. از تابع ReLU به عنوان تابع فعال سازی لایه های کانولوشن و استخر استفاده کنید.
4. از تابع softmax به عنوان تابع فعال سازی لایه کاملاً متصل استفاده کنید.

from tensorflow.keras import layers, models
model = tf.keras.models.Sequential([
  tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), 
  tf.keras.layers.MaxPooling2D((2, 2)), 
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'), 
  tf.keras.layers.Dense(10, activation='softmax') 
])

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=10, batch_size=64, validation_split=0.2)

گام 4: ارزیابی مدل

سرانجام، مدل را با داده‌های آزمون ارزیابی کرده و دقت آن را محاسبه می‌کنیم:

1. دقت مدل خود را بر روی مجموعه داده test ارزیابی کنید.
2. در صورت نیاز، مدل خود را دوباره آموزش دهید و hyperparameters را تنظیم کنید.

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test Accuracy: {test_acc}')

• برای بهبود دقت مدل خود می توانید از تکنیک های مختلفی مانند data augmentation و dropout یا سایر روش هایی که آموزش داده شده استفاده کنید.
• می توانید از مدل های CNN پیش آموزش دیده مانند VGG16 و ResNet50 برای fine-tuning بر روی مجموعه داده MNIST استفاده کنید.