الصفحة الرئيسية>موارد بناء الموقع>تحميل الخط
تنزيل

تصنيف الخط العربي

شكر وتقدير

يتم تكييف الهيكل وبعض الأجزاء الأساسية من هذا الرمز من التعلم العميق الكامل (FSDL).

العرض التوضيحي والكمبيوتر المحمول

يمكنك رؤية هذا المشروع في العمل في العرض التجريبي المصاحب والنشر ، أو تشغيل الرمز في هذا الكمبيوتر الدفتري.

هيكل المشروع

يقلد المجلد /cloud تخزين البيانات في السحابة. في إعدادات العالم الحقيقي ، سيتم تخزين مجموعة البيانات على خدمة التخزين السحابية مثل Amazon S3. يعيش الرمز الفعلي في مجلد /codebase . هناك فصل واضح بين رمز التدريب (تحت /codebase/training ) وكل شيء آخر بما في ذلك النماذج والشبكات ومجموعات البيانات وغيرها من المرافق (تحت /codebase/font_classifier ). هذا الانفصال يجعل نشر النظام أسهل ونظافة.

كما هو موضح في دورة FSDL ، إلى الإصدار التحكم في البيانات ، لا نتحقق من الصور الفعلية في GIT. بدلاً من ذلك ، يتم إنشاء ملف JSON يحتوي على إدخال واحد لكل مثيل بيانات. يتكون كل إدخال من عنوان URL لمثيل البيانات (التخزين السحابي) ، والتسمية ، والبيانات الوصفية الأخرى إذا كانت ذات صلة. ملف JSON هذا هو ما يتم تتبعه بواسطة GIT ، وبالتالي يمكننا الحصول على البيانات في الإصدار المطلوب من خلال التحقق من الالتزام GIT المقابل. مع زيادة حجم مجموعة البيانات ، يصبح حجم ملف JSON أكبر ، وفي هذه الحالة يمكن استخدام GIT-LFS. فوائد هذه الطريقة للتعامل مع البيانات:

  1. استنساخ: نظرًا لأنه يتم تتبعه بواسطة GIT ، يمكننا الحصول على البيانات الدقيقة التي استخدمناها قبل أسبوع أو قبل عام.

  2. تمديد القابلية: يمكن توسيع مجموعة البيانات لدمج بيانات جديدة مع التأكد من عدم استخدام مثيلات الاختبار السابقة كحالات تدريبية والعكس بالعكس.

  3. قابلية النقل: يقلل من مساحة القرص المطلوبة للمشروع ، مما يجعله محمولًا على GIT أو أي وسيلة أخرى.

تشغيل الرمز

لتشغيل الرمز محليًا:

  1. متطلبات التثبيت: 

    $ pip install -r requirements.txt

  2. جلب واستخراج البيانات من الإصدارات إلى /Cloud Folder: 

    $ wget ' https://github.com/mhmoodlan/arabic-font-classification/releases/download/v0.1.0/rufa.tar.gz ' -O  ./cloud/rufa.tar.gz
$ cd /cloud && tar -xzf ' rufa.tar.gz '

  3. تدور خادم بسيط في المجلد /cloud على http://0.0.0.0:8000/: 

    $ cd /cloud && python -m http.server

  4. قم بإجراء تجربة: 

    $ cd /codebase/code && export PYTHONPATH=. && python training/run_experiment.py --save 
    ' {"dataset": "RuFaDataset", "model": "FontModel", "network": "cnn", "train_args": {"epochs": 6, "mode": "test", "validate_mismatch": "False"}} '

    يأخذ تكوين 'mode' في 'train_args' واحدة من قيمتين: 'val' أو 'test' .

    في وضع 'val' : يتم تدريب النموذج والتحقق من صحته على البيانات الاصطناعية فقط. إذا تم تعيين 'validate_mismatch' على TRUE ، فسيتم إجراء مزيد من التحقق من صحة عدم التطابق على مجموعة فرعية من البيانات الحقيقية.

    في وضع 'test' : يتم تدريب النموذج على البيانات الاصطناعية بأكملها + جزء من البيانات الحقيقية المستخدمة في التحقق من صحة عدم تطابق البيانات في وضع 'val' . بعد التدريب ، تم الإبلاغ عن خطأ التعميم النهائي في بقية البيانات الحقيقية.

    يجب أن يخرج هذا الأمر شيئًا مشابهًا لما يلي: 

     Epoch 1/6
1254/1254 [==============================] - 119s 95ms/step - loss: 0.3185 - accuracy: 0.8751
Epoch 2/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0539 - accuracy: 0.9918
Epoch 3/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0386 - accuracy: 0.9953
Epoch 4/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0270 - accuracy: 0.9976
Epoch 5/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0264 - accuracy: 0.9973
Epoch 6/6
1254/1254 [==============================] - 40s 32ms/step - loss: 0.0246 - accuracy: 0.9979
Training took 323.854642 s
In test mode, mismatch data isn't validated since it's used during training.

14/14 [==============================] - 0s 10ms/step - loss: 0.2316 - accuracy: 0.9712
Test score: [0.2316255271434784, 0.971222996711731]
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل