หน้าแรก>แหล่งข้อมูลการสร้างเว็บไซต์>ดาวน์โหลดแบบอักษร
ดาวน์โหลด

การจำแนกแบบอักษรอาหรับ

การรับทราบ

โครงสร้างและส่วนพื้นฐานบางส่วนของรหัสนี้ได้รับการดัดแปลงจากการเรียนรู้อย่างลึกซึ้งสแต็คเต็มรูปแบบ (FSDL)

การสาธิตและสมุดบันทึก

คุณสามารถเห็นโครงการนี้ดำเนินการในการสาธิตและโพสต์มาพร้อมกับหรือเรียกใช้รหัสในสมุดบันทึกนี้

โครงสร้างโครงการ

โฟลเดอร์ /cloud เลียนแบบการจัดเก็บข้อมูลในคลาวด์ ในการตั้งค่าในโลกแห่งความเป็นจริงชุดข้อมูลจะถูกเก็บไว้ในบริการจัดเก็บข้อมูลบนคลาวด์เช่น Amazon S3 รหัสจริงอาศัยอยู่ในโฟลเดอร์ /codebase มีการแยกที่ชัดเจนระหว่างรหัสการฝึกอบรม (ภายใต้ /codebase/training ) และทุกอย่างอื่น ๆ รวมถึงรุ่นเครือข่ายชุดข้อมูลและยูทิลิตี้อื่น ๆ (ภายใต้ /codebase/font_classifier ) การแยกนี้ทำให้การปรับใช้ระบบง่ายขึ้นและสะอาดขึ้น

ดังที่นำเสนอในหลักสูตร FSDL เพื่อควบคุมข้อมูลเราไม่ได้ตรวจสอบภาพจริงใน Git แต่ไฟล์ JSON ถูกสร้างขึ้นที่มีหนึ่งรายการต่ออินสแตนซ์ข้อมูล แต่ละรายการประกอบด้วย URL อินสแตนซ์ข้อมูล (ที่เก็บข้อมูลคลาวด์), ฉลากและข้อมูลเมตาอื่น ๆ หากเกี่ยวข้อง ไฟล์ JSON นี้เป็นสิ่งที่ได้รับการติดตามโดย GIT และดังนั้นเราจึงสามารถรับข้อมูลได้ในเวอร์ชันที่ต้องการโดยการตรวจสอบ GIT ที่เกี่ยวข้อง เมื่อชุดข้อมูลมีขนาดใหญ่ขึ้นขนาดของไฟล์ JSON จะใหญ่ขึ้นซึ่งในกรณีนี้สามารถใช้ GIT-LFS ได้ ประโยชน์ของวิธีการจัดการข้อมูลนี้:

  1. ความสามารถในการทำซ้ำ: เนื่องจากมีการติดตามโดย Git เราจึงสามารถรับข้อมูลที่แน่นอนที่เราใช้เมื่อสัปดาห์ที่แล้วหรือเมื่อปีที่แล้ว

  2. ความสามารถในการขยาย: ชุดข้อมูลสามารถขยายเพื่อรวมข้อมูลใหม่ในขณะที่ตรวจสอบให้แน่ใจว่าไม่เคยใช้อินสแตนซ์ชุดทดสอบก่อนหน้านี้เป็นอินสแตนซ์การฝึกอบรมและ Vise Versa

  3. การพกพา: ลดพื้นที่ดิสก์ที่จำเป็นสำหรับโครงการซึ่งทำให้พกพาได้มากกว่า Git หรือวิธีการอื่น ๆ

รันรหัส

เพื่อเรียกใช้รหัสในพื้นที่:

  1. การติดตั้งข้อกำหนด: 

    $ pip install -r requirements.txt

  2. ดึงข้อมูลและแยกข้อมูลจากรุ่นไปยัง /คลาวด์โฟลเดอร์: 

    $ 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. หมุนเซิร์ฟเวอร์ง่าย ๆ ในโฟลเดอร์ /cloud ที่ http://0.0.0.0:8000/: 

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

  4. เรียกใช้การทดลอง: 

    $ 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"}} '

    'mode' config ใน 'train_args' ใช้หนึ่งในสองค่า: 'val' หรือ 'test'

    ในโหมด 'val' : โมเดลได้รับการฝึกฝนและตรวจสอบความถูกต้องในข้อมูลสังเคราะห์เท่านั้น หาก 'validate_mismatch' ถูกตั้งค่าเป็นจริงการตรวจสอบความถูกต้องของข้อมูลเพิ่มเติมจะดำเนินการในชุดย่อยของข้อมูลจริง

    ในโหมด 'test' : โมเดลได้รับการฝึกอบรมเกี่ยวกับข้อมูลสังเคราะห์ทั้งหมด + ส่วนหนึ่งของข้อมูลจริงที่ใช้ในการตรวจสอบข้อมูลที่ไม่ตรงกันในโหมด 'val' หลังจากการฝึกอบรมข้อผิดพลาดทั่วไปขั้นสุดท้ายจะถูกรายงานในส่วนที่เหลือของข้อมูลจริง

    คำสั่งนี้ควรส่งออกสิ่งที่คล้ายกับต่อไปนี้: 

     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]
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด