arabic font classification

阿拉伯字體分類

致謝

該代碼的結構和一些基本部分是根據完整的堆棧深度學習（FSDL）改編的。

演示和筆記本

您可以在隨附的演示中查看此項目，並在此筆記本中運行代碼。

項目結構

/cloud文件夾模仿將數據存儲在雲中。在現實世界設置中，數據集將存儲在雲存儲服務（例如Amazon S3）上。實際代碼屬於/codebase文件夾中。培訓代碼（下/代碼庫 / /codebase/training /codebase/font_classifier ）在內的所有內容之間存在明顯的分離。這種分離使系統部署變得更加清潔。

如FSDL課程中所述，為了控制數據，我們不會在GIT中檢查實際圖像。相反，創建一個JSON文件，每個數據實例包含一個條目。每個條目都由數據實例URL（雲存儲），標籤和其他元數據組成，如果相關。該JSON文件是GIT跟踪的內容，因此我們可以通過檢查相應的GIT commit以所需的版本獲取數據。隨著數據集變得更大，JSON文件的大小變得更大，在這種情況下，可以使用git-lfs。這種處理數據的好處：

1. 可重複性：由於它是通過GIT跟踪的，因此我們可以獲得一周前或一年前使用的確切數據。

2. 擴展性：可以擴展數據集以合併新數據，同時確保永遠不要將先前的測試集實例用作培訓實例，反之亦然。

3. 可移植性：減少項目所需的磁盤空間，從而使其可在GIT或任何其他方式上移植。

運行代碼

在本地運行代碼：

1. 安裝要求：

   $ pip install -r requirements.txt

2. 從發佈到 /雲文件夾中獲取並提取數據：

   $ 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. 在/cloud ://0.0.0.0.0:8000/：

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

4. 運行實驗：

   $ 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"}} '

   'train_args'中的'mode'配置採用兩個值之一： 'val'或'test' 。

   在'val'模式下：僅對合成數據訓練和驗證該模型。如果'validate_mismatch'設置為真，則在真實數據的子集上執行更多數據不匹配驗證。

   在'test'模式下：對整個合成數據 +數據'val'匹配驗證中使用的真實數據的一部分進行了訓練。訓練後，在其餘的實際數據上報告了最終的概括錯誤。

   此命令應輸出類似於以下內容的內容：

    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]