🌱
Giriş
🔦 Evrişimli Sinir Ağları Kodları
Bu klasör giderek kodlar ve notlar ile doldurulacak
- 1.
- 6.🌐 Tensorflow.js tabanlı rakam sınıflandırıcsı
- 1.
- 2.
- 3.
- Rock Paper Scissors, Taş/Kağıt/Makas pozlarında farklı ellerin 2.892 görüntüsünü içeren bir veri setidir.
- Taş Kağıt Makas, çeşitli ellerden, farklı ırklardan, yaşlardan ve cinsiyetlerden, Taş / Kağıt veya Makas'a pozlanmış ve etiketlenmiş görüntüler içerir.
🔎 Bu verilerin tümü beyaz bir arka plana karşı pozlandırılmıştır. Her görüntü 24bit renkte ve 300×300 pikseldir
Bizim CNN'imiz hakkında bu şekilde bilgi alabiliriz;
model.summary()
Çıkış da aşağıdaki şekilde olacaktır:
Layer (type) Output Shape Param #
=================================================================
conv2d_18 (Conv2D) (None, 26, 26, 64) 640
_________________________________________________________________
max_pooling2d_18 (MaxPooling (None, 13, 13, 64) 0
_________________________________________________________________
conv2d_19 (Conv2D) (None, 11, 11, 64) 36928
_________________________________________________________________
max_pooling2d_19 (MaxPooling (None, 5, 5, 64) 0
_________________________________________________________________
flatten_9 (Flatten) (None, 1600) 0
_________________________________________________________________
dense_14 (Dense) (None, 128) 204928
_________________________________________________________________
dense_15 (Dense) (None, 10) 1290
=================================================================
👩💻 Notbook'taki kod için:
- 🔎 Görüntülerin orijinal boyutları 28x28 piksel
- 1️⃣ 1. katman: Filtre, kenarlardaki piksellere uygulanamaz
- Birinci katmanın çıkışı 26x26 px boyutundadır
- 2️⃣ 2. katman:
2x2 max poolinguyguladıktan sonra, boyutlar 2'ye bölünecek- Bu katmanın çıkışı 13x13 px boyutundadır
- 3️⃣ 3. katman: Filtre, kenarlardaki piksellere uygulanamaz
- Bu katmanın çıkışı 11x11 px boyutundadır
- 4️⃣ 4. katman:
2x2 max poolinguyguladıktan sonra, boyutlar 2'ye bölünecek- Bu katmanın çıkışı 5x5 px boyutundadır
- 5️⃣ 5. katman: Önceki katmanın çıkışı düzleşecektir (flattened olacaktır)
- Bu katman
5x5x64=1600birime sahiptir
- 6️⃣ 6. katman: 128 birim içerecek şekilde ayarladık
- 7️⃣ 7. katman: 10 kategorimiz olduğu için 10 birimden oluşmaktadır.
😵 😵