Meça o rendimento da classificação

Meça a precisão de um reconhecedor de dígitos treinados no banco de dados MNIST de dígitos escritos à mão.

Primeiro obtenha os dados de treinamento e validação.

In[1]:=

resource = ResourceObject["MNIST"]; trainingData = ResourceData[resource, "TrainingData"]; testData = ResourceData[resource, "TestData"];

In[2]:=

RandomSample[trainingData, 5]

Out[2]=

Defina uma rede neural convolucional que pega imagens em tons de cinza 28x28 como entrada.

In[3]:=

lenet = NetChain[{ ConvolutionLayer[20, 5], Ramp, PoolingLayer[2, 2], ConvolutionLayer[50, 5], Ramp, PoolingLayer[2, 2], FlattenLayer[], 500, Ramp, 10, SoftmaxLayer[]}, "Output" -> NetDecoder[{"Class", Range[0, 9]}], "Input" -> NetEncoder[{"Image", {28, 28}, "Grayscale"}] ]

Out[3]=

Treine a rede com três ciclos de treinamento.

In[4]:=

lenet = NetTrain[lenet, trainingData, ValidationSet -> testData, MaxTrainingRounds -> 3]

Out[4]=

Avalie a rede treinada diretamente sem imagens de uma amostra aleatória do conjunto de validação.

In[5]:=

imgs = Keys @ RandomSample[testData, 5]; Thread[imgs -> lenet[imgs]]

Out[5]=

Crie um objeto de ClassifierMeasurements de uma rede treinada e de um conjunto de validação.

In[6]:=

cm = ClassifierMeasurements[lenet, testData]

Out[6]=

Obtenha a precisão da rede no conjunto de validação.

In[7]:=

cm["Accuracy"]

Out[7]=

Crie uma lista de números 3 que foram mal classificados como sendo 8.

In[8]:=

cm[{"Examples", 3 -> 8}]

Out[8]=

Obtenha um gráfico da matriz de confusão das previsões da rede no conjunto de validação.

In[9]:=

cm["ConfusionMatrixPlot"]

Out[9]=