model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

После этого мы можем запустить процесс обучения, передав в модель данные для обучения и тестирования и указав количество эпох (итераций) и размер батча (количество примеров, обрабатываемых за одну итерацию).

model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels))

Наконец, мы можем оценить качество модели на тестовых данных.

test_loss, test_acc = model.evaluate(test_images, test_labels)

print('Test accuracy)

Результатом обучения нейросети для распознавания цифр на изображениях будет модель, которая способна принимать на вход изображение с рукописной цифрой и предсказывать, какая цифра на изображении изображена.

Этот код позволяет обучить нейросеть для распознавания объектов на изображениях, а именно для классификации изображений из набора CIFAR-10. Обученная нейросеть может быть использована для распознавания объектов на других изображениях, которые не были использованы в обучающей выборке. Для этого достаточно подать изображение на вход нейросети и получить ответ в виде вероятности принадлежности к каждому из классов.

Для проверки точности модели можно использовать тестовый набор изображений с известными метками (т.е. правильными ответами) и сравнивать предсказания модели с этими метками. Чем выше точность модели на тестовых данных, тем более успешно она справляется с задачей распознавания цифр.

После обучения модели ее можно использовать для распознавания цифр на новых изображениях, например, в приложении для считывания рукописных цифр на почтовых индексах, на банковских чеках или в других сферах, где требуется автоматическое распознавание цифр.

Для реализации второго примера в среде TensorFlow нам понадобится набор данных CIFAR-10, который можно загрузить с помощью встроенной функции TensorFlow.

Набор CIFAR-10 содержит 60000 цветных изображений размером 32х32 пикселя, разделенных на 10 классов. Для обучения нейросети мы будем использовать 50000 изображений, а для тестирования – оставшиеся 10000.

Вот как выглядит реализация второго примера в TensorFlow:

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

# Определение архитектуры нейросети

model = keras.Sequential(

[

layers.LSTM(128, input_shape=(None, 13)),

layers.Dense(64, activation="relu"),

layers.Dense(32, activation="relu"),

layers.Dense(10, activation="softmax"),

]

)

# Компиляция модели

model.compile(

optimizer=keras.optimizers.Adam(learning_rate=0.001),

loss=keras.losses.CategoricalCrossentropy(),

metrics=["accuracy"],

)

# Загрузка звукового файла

audio_file = tf.io.read_file("audio.wav")

audio, _ = tf.audio.decode_wav(audio_file)

audio = tf.squeeze(audio, axis=-1)

audio = tf.cast(audio, tf.float32)

# Разбивка на фрагменты

frame_length = 640

frame_step = 320

audio_length = tf.shape(audio)[0]

num_frames = tf.cast(tf.math.ceil(audio_length / frame_step), tf.int32)

padding_length = num_frames * frame_step – audio_length

audio = tf.pad(audio, [[0, padding_length]])

audio = tf.reshape(audio, [num_frames, frame_length])

# Извлечение признаков MFCC

mfccs = tf.signal.mfccs_from_log_mel_spectrograms(

tf.math.log(tf.abs(tf.signal.stft(audio))),

audio.shape[-1],

num_mel_bins=13,

dct_coefficient_count=13,

)

# Подготовка данных для обучения

labels = ["one", "two", "three", "four", "five", "six", "seven", "eight", "nine", "zero"]

label_to_index = dict(zip(labels, range(len(labels))))