Coder Social home page Coder Social logo

alphabetmlp's Introduction

Распознавание букв английского алфавита с использованием многослойного перцептрона

Введение

Добро пожаловать в мой проект, где я представляю реализацию многослойного перцептрона (MLP) для задачи распознавания букв английского алфавита. Мой проект нацелен на создание небольшой программы, которая способна автоматически распознавать символы английского алфавита на основе обучения нейронной сети.

Многослойный перцептрон - это вид искусственной нейронной сети, состоящей из нескольких слоев нейронов. В моем проекте, MLP содержит входной слой, скрытые слои и выходной слой. Входной слой принимает на вход изображения символов, а скрытые слои выполняют вычисления, обрабатывая эту информацию. Выходной слой дает ответ в виде вероятностей того, какой символ был распознан.

Процесс распознавания букв включает в себя несколько этапов:

  1. Подготовка данных: Изображения букв английского алфавита преобразуются в числовой формат, чтобы быть понятными для нейронной сети. Мы берем открытые выборки EMNIST
  2. Обучение сети: MLP обучается на наборе обучающих данных, где каждой букве соответствует известная метка. Сеть корректирует свои веса и параметры, чтобы минимизировать ошибку при распознавании. Используется обратное распространение ошибки.
  3. Распознавание: После завершения обучения, сеть может использоваться для распознавания символов. Изображение символа подается на вход сети, и она возвращает вероятности для каждой буквы алфавита. Буква с наибольшей вероятностью считается распознанной.

Работа с приложением

Загрузка обученных весов перцептрона и проверка распознования

LoadWeightsAndWriteLetters

Настройка и обучение перцептрона

График в конце GIF - это изменение средней квадратичной ошибки на протяжении обучения

Learn

Тестирование обученного перцептрона

Итог - 75% точности угадывания.

Test

Загрузка фотографий BMP и проверка ответа от перцептрона

LoadImage

Остальной интерфейс приложения

Настройки

Интерфейс позволяет настраивать сеть

Settings

  1. Выбор количества эпох при обучении(1 - 10)
  2. К-Валидация при обучении(1 - 5)
  3. Количество скрытых слоев(1 - 5)
  4. Количество нейронов в скрытом слое(1 - 256)
  5. Скорость обучения(0.001 - 10)
  6. Часть используемой выборки при тестировании (0% - 100%)
  7. Тип перцептрона (Матричный, Графовый)

Опции

Основные

Options

  1. Загрузка весов из файла .net
  2. Сохранение весов в файл .net
  3. Настройки

Сети

NetworkOptions

  1. Обучение перцептрона
  2. Тестирование перцептрона

Особенности

NetworkOptions

  1. Открыть график средних квадратичных ошибок при обучении
  2. Загрузить фотографию для проверки распозновании сети

alphabetmlp's People

Contributors

yaroshenkonikita avatar

Stargazers

 avatar  avatar

Watchers

 avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.