신경망(AI)은 프라레일 신칸센을 얼마나 분류할 수 있는지 Part.1

공부를 겸해, 실제로 신경망으로 다치 분류를 해 보고 싶다!

하지만 MNIST는 이미 좋다, 다른 소재로 하고 싶다!

하지만 이미지는 어떻게 모을까? 촬영한다고 해도 매수 있구나···아, iPhone의 연사 기능 잡으면 좋잖아!

그래서 그때 우연히 눈에 들어온 아들의 프라레일 신칸센을 촬영해 다치 분류에 도전. 그 과정에서 한 일, 알았던 것을 써 갑니다.

5종류의 신칸센으로 실험

왼쪽에서

500계

700계

E5계(하야부사)

E6계(코마치)

E7계 (카가야키)

수중에 있던 것이 이 5 차종이었으므로, 이것들을 사용하기로 했다.

신칸센 이외의 플라레일은 신칸센과 크게 형상이 되기 때문에, 문제로서 재미있지 않을까, 라고 생각하지 않았다.

총 1000장 정도 촬영

iPhone의 연사 (버스트) 기능을 사용하여 차량 주위와 지붕 부분을 푹 쏘아

1 차량 마다 200장 정도 촬영

배경을 바꾸거나, 레일에 올려놓거나, 커브에 맞추어 늘리는 등의 이미지는 이번에는 찍지 않았다.

약간 흔들리는 이미지가 있거나 그림자가 떨어지는 이미지가 있지만 신경 쓰지 않고 사용

신칸센은 각각 색이 되기 때문에 컬러 이미지라면 너무 간단할까 생각하고, 그레이 스케일 이미지로 하는 것으로 형상에 의해 분류할 수 있을까를 실험하기로 했다.

숨겨진 레이어 없음, 입력 레이어 및 출력 레이어 만

tensorflow

f = tf.matmul(x, w) + b
p = tf.nn.softmax(f)

이미지 크기는 504 x 378 ⇒ 입력 레이어의 노드 수는 190512

w와 b는 0으로 초기화

오차 함수는 교차 엔트로피

확률적 구배 하강법을 사용. 배치 수는 100. 에포크는 5000. 학습 시간은 30분 정도.

준비한 화상 중 랜덤하게 선택한 100매를 테스트용 화상으로, 그 이외를 트레이닝용 화상으로서 사용하였다.

심플한 네트워크에 비해서는 높은 수치가 아닐까···솔직히 놀랐다.

에포크를 더욱 늘리면 오차의 값은 아직 내려갈 것

판정 미스한 화상에는 각 신칸센의 특징적인 부분이 우울하지 않았는가? 라고 생각해 보면, 그런 일은 없고, 인간에게는 간단하게 판정할 수 있는 화상 뿐이었다. 거기가 반대로 재미있다고 느꼈다.

잘 보면 자신의 손 등이 찢어져 있다. 하지만 좋은 소음이라고 생각하기 때문에 앞으로도 이대로 사용한다.

오차는 아직 순조롭게 들릴 것 같았기 때문에, 시험에 에포크를 10000으로 해 보았더니 6100당으로 정답률 100%가 되어 버렸다. 뉴럴 네트워크 놀이···.

이 문제에 관하여(신경망(AI)은 프라레일 신칸센을 얼마나 분류할 수 있는지 Part.1), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/ichigoryume/items/0a59217bb548c19c5e7b

텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.

우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)

개발자 우수 사이트 수집

개발자가 알아야 할 필수 사이트 100선 추천 우리는 당신을 위해 100개의 자주 사용하는 개발자 학습 사이트를 정리했습니다