Aan de slag met Traffic

Je hebt elk stuk van Traffic nu in het klein gebouwd: een plaatje als getallen, lagen, een uitgang per soort, leren en inlezen. In deze stap zet je het achter elkaar zoals Traffic het doet, met een toets erbij. Daarna lees je wat Keras in Traffic voor je doet, en hoe je begint.

info

Je gebruikt hier random.seed uit oefenen en toetsen.

Voorspel

breedte = 30
hoogte = 30
kleuren = 3
print(breedte * hoogte * kleuren)

Een foto in Traffic is 30 bij 30 pixels, met drie kleuren per pixel. Hoeveel invoeren heeft het netwerk? Wat print dit programma?

Antwoord

2700

Een plaatje van jou had er 9. Elk neuron in de eerste laag van Traffic heeft dus 2700 gewichten.

Zo werkt het

In Traffic schrijf je twee functies: een die de foto's inleest, en een die het netwerk bouwt. De rest staat al in traffic.py. Wat je in dit project zelf maakte, doet daar de bibliotheek TensorFlow, met zijn onderdeel Keras:

Wat jij bouwde	In Traffic
naar_getallen en lees_tekens	Schrijf je zelf, met de module os en de bibliotheek OpenCV.
splits, met 0.4 als toets	Staat klaar, met train_test_split uit scikit-learn: ook 40% toets.
een laag neuronen	Een laag van Keras, zoals Dense. Jij kiest hoeveel lagen en neuronen.
som > 0 geeft 1 of 0	Keras rekent met een zachtere stap, zoals relu.
de grootste uitgang wint	De laatste laag heeft 43 uitgangen, en softmax maakt er kansen van.
leer met tien rondes	Staat klaar: tien rondes, die Keras epochs noemt. Keras stelt ook de verborgen lagen bij.
de score op de toets	Staat klaar, en print hoeveel procent van de toets goed is.

Bouw zelf: oefenen en toetsen

De verborgen code heeft alles uit dit project, en splits: die schudt de plaatjes en houdt een deel apart als toets, zoals Traffic doet. Laat een netwerk leren op de oefenplaatjes, en kijk hoeveel toetsplaatjes het goed heeft:

24 om te oefenen, 16 om te toetsen
oefenen: 24 van de 24 goed
toetsen: 13 van de 16 goed

Begin klein, en breid de code stap voor stap uit:

1. Draai de code: hij leest de 40 tekens in en splitst ze in 24 om te oefenen en 16 om te toetsen.
2. Laat een netwerk leren op de oefenplaatjes, met leer_netwerk en 10 rondes.
3. Schrijf een functie score(plaatjes, labels, alle_gewichten, biases) die telt hoeveel plaatjes herken goed heeft. Op de oefenplaatjes zijn dat er 24.
4. Print ook de score op de toetsplaatjes.
5. Probeer 2 rondes in plaats van 10, en daarna een ander getal bij random.seed. Schrijf op wat je probeert en wat het oplevert.

Python

Code-omgeving wordt voorbereid…

Tip

score lijkt op het tellen van de fouten bij het neuron dat leert, maar nu tel je wat goed is: vergelijk wat herken zegt met het label op dezelfde positie.

Antwoord

Dit komt onder de code in de editor:

def score(plaatjes, labels, alle_gewichten, biases):
    goed = 0
    for i in range(len(plaatjes)):
        if herken(plaatjes[i], alle_gewichten, biases) == labels[i]:
            goed = goed + 1
    return goed

alle_gewichten, biases = leer_netwerk(oefen_plaatjes, oefen_labels, len(soorten), 10)
goed = score(oefen_plaatjes, oefen_labels, alle_gewichten, biases)
print("oefenen:", goed, "van de", len(oefen_plaatjes), "goed")   # oefenen: 24 van de 24 goed
goed = score(toets_plaatjes, toets_labels, alle_gewichten, biases)
print("toetsen:", goed, "van de", len(toets_plaatjes), "goed")   # toetsen: 13 van de 16 goed

Op de oefenplaatjes is alles goed, op de toets niet. Met 2 rondes heeft het netwerk bij dit zaad de hele toets goed, en met random.seed(0) haalt het ook met 10 rondes 16 van de 16. Meer rondes is dus niet vanzelf beter, en één verdeling zegt weinig. Daarom vraagt Traffic je bij te houden wat je probeert.

Zo begin je met Traffic

Traffic is het laatste project van de route, en het zwaarste. Je traint een neuraal netwerk dat verkeersborden herkent op foto's. Reken op een paar weken, en op dingen die je nog niet kent:

• Voor foto's gebruik je lagen die naar stukjes van het beeld kijken. Die legt het hoorcollege over neurale netwerken uit.
• De module os heb je nodig om de mappen met foto's langs te lopen, en OpenCV om een foto te openen en op 30 bij 30 te brengen. Allebei zijn nieuw; zoek in de opdracht op welke functies je nodig hebt.

1. Download de bestanden en de foto's via de projectpagina, en lees de opdracht helemaal door. Bekijk ook het hoorcollege over neurale netwerken.
2. Installeer TensorFlow en de andere pakketten die het project nodig heeft, met pip3 install -r requirements.txt in een terminal, in de map van het project.
3. Schrijf eerst de functie die de foto's inleest, en kijk of het aantal foto's klopt. Bouw daarna een klein netwerk, en maak het stap voor stap groter. Houd bij wat je probeert en wat het oplevert: dat vraagt de opdracht ook.

Net als bij eerlijk testen en bij je tekens houdt het project een deel van de foto's achter als toets. Het netwerk kan een oefenfoto onthouden, maar alleen de toets zegt of het borden herkent.

Door naar de route machine learning.