neural_network
1.0.0
./train train_single A.bmp
./train train_single B.bmp
./train train_single C.bmp
... et ainsi de suite pour toutes les lettresكرر خطوة التدريب عدة مرات لكل حرف من أجل تحسين الدقة.
ثم ، بمجرد التعرف على جميع الحروف:
./train train dossier_lettres/./train recognize test_image.bmpتقوم الشبكة تلقائيًا بحفظ حالتها بعد كل تدريب في "network_data.bin" وللأفردي في "Train_Data.bin".
generator.py بي مع الحقيقة الصحيحة.letters/generator.py .generator.py . python3 auto_train.py # exécution une seule fois la première fois... وانتظر نهاية التدريب.
python3 verify_train.pyأو لرسالة واحدة:
./train recognize test_image.bmpوإذا لم يكن الحرف المكتشف هو الصحيح:
python3 manual_train.py... ثم أدخل الحرف المتوقع (على سبيل المثال: U).
ثم ، لتنسيق شبكة الخلايا العصبية وحفظها:
./train train dossier_lettres/... وهكذا على جميع الحروف المكتشفة بشكل سيء (ابدأ العمليتين مرة أخرى).
تقوم الشبكة تلقائيًا بحفظ حالتها بعد كل تدريب في "network_data.bin" وللأفردي في "Train_Data.bin".
backup_data يحتوي على نسخ احتياطية من جلسات التدريب القديمة.python3 manual_train.py تدريب رسالة واحدة.python3 auto_train.py لتدريب جميع الحروف في ملف لأول مرة.python3 verify_train.py للتحقق مما إذا كانت الحروف قد تم اكتشافها جيدًا.train هو الإصدار الذي يستخدمه المستخدم ( train.c ).*.bin يحتوي على بيانات التدريب.letters/ تحتوي على الحروف مع generator.py .checksum.sh لحفظ *.bin ملفات. gcc train.c -o train -lm ` pkg-config --cflags --libs sdl2 SDL2_image ` libsdl2-image-dev (لقراءة الصور في C).PIL (توليد رسائل من Python الخط). bash checksum.sh