هوش مصنوعی در MATLAB؛ آموزش‌ها و مثال‌های MathWorks
کار با هوش مصنوعی از انتخاب شبکه شروع نمی‌شود؛ ابتدا باید شکل داده، خروجی مورد انتظار و روش ارزیابی را مشخص کنید. در مسائل جدولی ممکن است رگرسیون یا خوشه‌بندی مناسب باشد، در تصویر به دسته‌بندی یا تشخیص شیء نیاز داشته باشید و در داده زمانی سراغ مدل دنباله‌ای بروید.
این مجموعه مسیرهای مقدماتی و نمونه‌های اجرایی را کنار هم قرار می‌دهد تا بر اساس نوع مسئله انتخاب کنید. آموزش‌های Onramp برای شروع تعاملی‌اند؛ نمونه‌های کدنویسی برای زمانی مناسب‌اند که با آرایه‌ها، تابع‌ها و آماده‌سازی داده در MATLAB آشنا شده‌اید.
ترتیب پیشنهادی یادگیری
- مبانی MATLAB، جدول داده، ترسیم نمودار و جداکردن داده آموزش از آزمون را تمرین کنید.
- یادگیری ماشین و سپس یادگیری عمیق مقدماتی را بخوانید؛ بعد شاخه تصویر، سری زمانی یا کنترل تقویتی را انتخاب کنید.
- در مثال منتخب، ابتدا داده و معیار ارزیابی را بررسی کنید؛ سپس فقط یک تنظیم را تغییر دهید و نتیجه را مقایسه کنید.
شکل‌ها و تمرین‌های این صفحه برای توضیح مفاهیم در دیجی‌استاد طراحی شده‌اند. نمودارهای نمایشی از داده ساختگی یا مدل ساده‌شده استفاده می‌کنند؛ برای فایل و مراحل مثال اصلی، پیوند MathWorks همان مورد را دنبال کنید.
آموزش‌ها و نمونه‌های منتخب
شروع یادگیری ماشین و دسته‌بندی داده در MATLAB
Machine Learning Onramp
با جریان کاری دسته‌بندی آشنا می‌شوید: آماده‌سازی داده، ساخت مدل و ارزیابی نتیجه. این آموزش نقطه شروع مناسبی برای فهم تفاوت داده ورودی، برچسب و خروجی پیش‌بینی است.
نمای بزرگ‌تر ↗فرض کنید از چند اندازه‌گیری یک قطعه می‌خواهید نوع آن را تشخیص دهید. هر سطر جدول یک مشاهده است و برچسب، پاسخ درست آن مشاهده را نشان می‌دهد. مدل از نمونه‌های آموزش رابطه را می‌آموزد و بعد روی نمونه‌های کنارگذاشته‌شده سنجیده می‌شود. در شکل، رنگ‌ها دو کلاس و خط، یک مرز تصمیم ساده‌اند. جابه‌جایی یک نقطه نزدیک مرز می‌تواند نتیجه پیش‌بینی را تغییر دهد. پیش از پیچیده‌کردن مدل، داده ناقص، مقیاس ویژگی‌ها و توازن کلاس‌ها را بررسی کنید؛ دقت کلی در داده نامتوازن به‌تنهایی کافی نیست.
رابطه کوتاه
Accuracy = N_correct / N_test
تعداد پاسخ درست را بر کل نمونه‌های آزمون تقسیم می‌کنیم. این نسبت بین صفر و یک است؛ آن را همراه خطای هر کلاس بررسی کنید.
تمرین پیشنهادی
دو ویژگی انتخاب کنید، نقاط را رنگ‌بندی کنید و نمونه‌های اشتباه مدل را روی نمودار مشخص کنید. آیا خطاها نزدیک مرز جمع شده‌اند؟
- آمادگی پیشنهادی
- آرایه‌ها، جدول داده و نمودار
- محیط اجرا
- محیط آنلاین آموزش MathWorks
شروع یادگیری عمیق و دسته‌بندی تصویر
Deep Learning Onramp
نحوه استفاده از یک شبکه ازپیش‌آموزش‌دیده و تطبیق آن با دسته‌های تصویری جدید را تمرین می‌کنید. برای شروع عملی شبکه‌های عصبی تصویری، پس از آشنایی با داده و مفهوم آموزش مدل مناسب است.
نمای بزرگ‌تر ↗در دسته‌بندی تصویر، شبکه ابتدا الگوهای ساده‌تر و سپس ترکیب‌های پیچیده‌تر را به نمایش عددی تبدیل می‌کند. خروجی نهایی معمولاً امتیاز چند کلاس است؛ انتخاب بزرگ‌ترین امتیاز، نام کلاس پیشنهادی را می‌دهد. شکل، مسیر تصویر تا استخراج ویژگی و امتیازها را خلاصه می‌کند. یک عکس متفاوت از داده آموزش، مانند تغییر نور یا پس‌زمینه، ممکن است خروجی را عوض کند. به همین دلیل، مجموعه آزمون باید تنوع مسئله را نشان دهد. تعداد بیشتر لایه‌ها بدون داده مناسب لزوماً نتیجه بهتری نمی‌دهد.
رابطه کوتاه
L = −Σ_c y_c log(p_c)
برای یک نمونه با برچسب یک‌ازچند، y برچسب واقعی و p احتمال پیش‌بینی‌شده کلاس است. این شکل ساده زیان آنتروپی متقاطع است.
تمرین پیشنهادی
چند تصویر از یک شیء با نور متفاوت آماده کنید. بررسی کنید آیا تغییر پس‌زمینه، دسته پیشنهادی شبکه را عوض می‌کند.
- آمادگی پیشنهادی
- مبانی MATLAB و مفهوم داده برچسب‌خورده
- محیط اجرا
- محیط آنلاین آموزش MathWorks
یادگیری تقویتی برای کنترل هوشمند
Reinforcement Learning Onramp
عامل یادگیرنده با محیط تعامل می‌کند و از پاداش برای انتخاب عمل کمک می‌گیرد. در این آموزش، ارتباط عامل با مدل Simulink و آموزش آن با MATLAB معرفی می‌شود.
نمای بزرگ‌تر ↗اینجا برای هر ورودی، پاسخ آماده‌ای در جدول نداریم. عامل یک عمل انتخاب می‌کند، محیط تغییر می‌کند و پاداشی دریافت می‌شود. در یک مسئله کنترل، مشاهده می‌تواند وضعیت سیستم و عمل می‌تواند فرمان کنترل باشد. شکل، حلقه تعامل عامل و محیط را نشان می‌دهد. تعریف پاداش بسیار مهم است: عاملی که فقط یک عدد را بیشینه می‌کند ممکن است رفتاری متفاوت از انتظار شما یاد بگیرد. ابتدا محیط ساده و قابل‌آزمون بسازید و عملکرد سیاست را در شرایطی متفاوت از آموزش بسنجید.
رابطه کوتاه
Q_new(s,a) = Q(s,a) + α[r + γ max_a′ Q(s′,a′) − Q(s,a)]
رابطه، به‌روزرسانی آموزشی Q-learning است: α نرخ یادگیری، γ ضریب تنزیل و r پاداش است. همه عامل‌های دوره الزاماً از همین الگوریتم استفاده نمی‌کنند.
تمرین پیشنهادی
برای یک محیط کوچک، پاداش رسیدن به هدف و هزینه حرکت را جدا بنویسید. توضیح دهید تغییر هزینه حرکت چه رفتاری را تشویق می‌کند.
- آمادگی پیشنهادی
- مبانی MATLAB، Simulink و کنترل
- محیط اجرا
- محیط آنلاین آموزش MathWorks
بهینه‌سازی عددی؛ متغیر، هدف و قید
Optimization Onramp
مسئله را با متغیر تصمیم، تابع هدف و محدودیت‌ها بیان می‌کنید و سراغ حل مسائل مقید و نامقید می‌روید. این مباحث برای فهم بسیاری از مسائل تنظیم مدل و طراحی مهندسی مفیدند.
نمای بزرگ‌تر ↗پیش از انتخاب حل‌گر باید مشخص کنید چه چیزی تغییر می‌کند، چه چیزی اندازه‌گیری می‌شود و چه محدودیت‌هایی داریم. متغیر تصمیم می‌تواند یک پارامتر طراحی و تابع هدف می‌تواند خطا یا مصرف انرژی باشد. شکل، کمینه یک تابع نمونه در یک بازه مجاز را نشان می‌دهد. ممکن است بهترین نقطه بدون قید خارج از ناحیه مجاز باشد؛ در آن صورت پاسخ مسئله مقید متفاوت می‌شود. مقدار نهایی تابع را کنار رعایت قیدها، حساسیت به نقطه شروع و مقیاس متغیرها بررسی کنید.
رابطه کوتاه
min_x f(x) subject to: l ≤ x ≤ u
f تابع هدف و l و u کران‌های متغیرند. یک نقطه با مقدار هدف کوچک، اگر خارج از بازه باشد پاسخ مجاز نیست.
تمرین پیشنهادی
برای f(x)=(x−2)²+1 ابتدا بازه صفر تا چهار و سپس صفر تا یک را در نظر بگیرید. محل پاسخ در دو حالت چه تفاوتی دارد؟
- آمادگی پیشنهادی
- تابع‌نویسی و جبر مقدماتی
- محیط اجرا
- محیط آنلاین آموزش MathWorks
ساخت و آموزش شبکه CNN برای دسته‌بندی تصویر
Create Simple Deep Learning Neural Network for Classification
نمونه‌ای کدنویسی‌شده از آماده‌سازی تصاویر، تعریف معماری شبکه کانولوشنی، تنظیم آموزش و سنجش دسته‌بندی. برای دنبال‌کردن ارتباط بین داده، لایه‌ها و خروجی شبکه مناسب است.
نمای بزرگ‌تر ↗در یک لایه کانولوشنی، پنجره کوچکی روی تصویر حرکت می‌کند و از همسایگی هر پیکسل ویژگی می‌سازد. لایه‌های بعدی این ویژگی‌ها را برای دسته‌بندی ترکیب می‌کنند. شکل، حرکت یک پنجره سه‌درسه و تشکیل نگاشت ویژگی را نمایش می‌دهد. اندازه فیلتر، گام حرکت و حاشیه‌گذاری روی اندازه خروجی اثر دارند؛ این اندازه‌ها را پیش از آموزش دنبال کنید. سپس خطای آموزش و اعتبارسنجی را کنار هم ببینید. کاهش خطای آموزش همراه افزایش خطای اعتبارسنجی می‌تواند نشانه بیش‌برازش باشد.
رابطه کوتاه
Y[i,j] = Σ_a Σ_b K[a,b] X[i+a,j+b]
نمای ساده عمل همبستگی متقاطع در CNN، با گام یک و بدون حاشیه‌گذاری است. K وزن پنجره و X ورودی است؛ بایاس در این نمایش حذف شده.
تمرین پیشنهادی
روی یک ماتریس پنج‌درپنج، پنجره سه‌درسه را دستی حرکت دهید و اندازه خروجی را حساب کنید. سپس اثر حاشیه‌گذاری را توضیح دهید.
- آمادگی پیشنهادی
- آرایه‌های چندبعدی و مبانی یادگیری عمیق
- محیط اجرا
- MATLAB و Deep Learning Toolbox
طراحی شبکه تصویری با Deep Network Designer
Get Started with Image Classification
ساخت یک شبکه دسته‌بندی تصویر را در محیط گرافیکی دنبال می‌کنید. کنار نمونه کدنویسی CNN بخوانید تا نقش لایه‌ها و تنظیمات آموزش را در دو شیوه کار مقایسه کنید.
نمای بزرگ‌تر ↗محیط گرافیکی، ترتیب لایه‌ها و اتصال آن‌ها را روشن‌تر می‌کند؛ اما انتخاب لایه همچنان به معنی شکل داده و نوع مسئله وابسته است. مسیر شکل از ورودی تا کانولوشن، فعال‌ساز و خروجی دسته‌بندی می‌گذرد. در هر تغییر معماری، اندازه خروجی و سازگاری لایه بعدی را بررسی کنید. ابزار تحلیل شبکه به پیدا‌کردن ناسازگاری‌ها کمک می‌کند. پس از ساخت معماری، تنظیمات آموزش و روش تقسیم داده را نیز ثبت کنید تا تفاوت نتایج را فقط به ظاهر نمودار شبکه نسبت ندهید.
رابطه کوتاه
h = max(0, W x + b)
یک واحد محاسباتی ساده با فعال‌ساز ReLU: W وزن، b بایاس و x ورودی است. این رابطه خلاصه کل شبکه یا تمام انواع لایه‌ها نیست.
تمرین پیشنهادی
یک لایه را تغییر دهید و قبل از آموزش، اندازه ورودی و خروجی لایه‌های مجاور را یادداشت کنید. کدام اتصال‌ها باید سازگار بمانند؟
- آمادگی پیشنهادی
- مفهوم لایه و داده آموزشی
- محیط اجرا
- MATLAB و Deep Learning Toolbox
یادگیری انتقالی برای تصاویر جدید
Retrain Neural Network to Classify New Images
به‌جای شروع از وزن‌های تصادفی، شبکه موجود را برای مجموعه تصویر تازه بازآموزی می‌کنید. این مثال مسیر مناسبی برای مطالعه تفاوت آموزش از ابتدا، تثبیت لایه‌ها و تنظیم شبکه است.
نمای بزرگ‌تر ↗بخشی از شبکه ازپیش‌آموزش‌دیده می‌تواند به‌عنوان استخراج‌کننده ویژگی حفظ شود و سر شبکه برای کلاس‌های تازه تغییر کند. در شکل، بخش ثابت و بخش قابل‌آموزش با دو رنگ جدا شده‌اند. در یادگیری انتقالیِ ساده، وزن‌های بدنه ثابت می‌مانند؛ در تنظیم دقیق می‌توان بعضی از آن‌ها را هم با نرخ مناسب تغییر داد. این دو انتخاب را با آموزش از ابتدا اشتباه نگیرید. میزان شباهت تصاویر جدید به داده اولیه شبکه و تعداد نمونه‌های هر کلاس در انتخاب روش اهمیت دارند.
رابطه کوتاه
Δθ_backbone = 0 ; θ_head ← θ_head − η ∇L
این نمایش فقط حالت بدنه ثابت را توصیف می‌کند. θ پارامترها، η نرخ یادگیری و L زیان آموزش سر شبکه است.
تمرین پیشنهادی
یک بار فقط سر شبکه و بار دیگر چند لایه انتهایی را آموزش دهید. زمان آموزش و نتیجه روی داده آزمون مستقل را مقایسه کنید.
- آمادگی پیشنهادی
- آموزش شبکه و تقسیم داده
- محیط اجرا
- MATLAB، Deep Learning Toolbox و افزونه شبکه معرفی‌شده در مثال
پیش‌بینی سری زمانی با شبکه LSTM
Time Series Forecasting Using Deep Learning
مثال رسمی، داده دنباله‌ای و پیش‌بینی گام‌های آینده را با LSTM بررسی می‌کند. هنگام مطالعه، تفاوت پیش‌بینی حلقه‌باز و حلقه‌بسته و نقش وضعیت شبکه را دنبال کنید.
نمای بزرگ‌تر ↗نمونه زمانی با یک جدول معمولی تفاوت مهمی دارد: ترتیب مشاهدات معنا دارد. مدل باید از اطلاعاتی که تا لحظه پیش‌بینی در دسترس‌اند برای گام بعد استفاده کند. مرز عمودی شکل، تاریخچه و ناحیه آینده را جدا می‌کند. در پیش‌بینی حلقه‌باز، مشاهدات واقعی تازه وارد شبکه می‌شوند؛ در حلقه‌بسته می‌توان خروجی پیش‌بینی را برای ادامه مسیر برگرداند. با دورترشدن افق، خطا ممکن است انباشته شود. نرمال‌سازی را با آمار بخش آموزش انجام دهید و داده آینده را وارد آماده‌سازی آموزش نکنید.
رابطه کوتاه
ŷ[t+1] = f(x[1], …, x[t])
خروجی گام بعد از تاریخچه در دسترس ساخته می‌شود. این رابطه مفهوم پیش‌بینی را نشان می‌دهد و معادله کامل دروازه‌های LSTM نیست.
تمرین پیشنهادی
یک دنباله را در یک مرز زمانی جدا کنید. پیش‌بینی تک‌گام و چندگام را با یک معیار ثابت، فقط روی بخش آینده مقایسه کنید.
- آمادگی پیشنهادی
- کار با دنباله‌ها و جداسازی زمانی آموزش و آزمون
- محیط اجرا
- MATLAB و Deep Learning Toolbox
تشخیص ناهنجاری در سری زمانی با یادگیری عمیق
Time Series Anomaly Detection Using Deep Learning
کاربرد شبکه‌های عمیق در یافتن رفتار غیرعادی داده‌های زمانی را بررسی کنید. این مسیر مکمل پیش‌بینی است: به‌جای تخمین مقدار آینده، بخش‌هایی از سیگنال که با الگوی معمول سازگار نیستند بررسی می‌شوند.
نمای بزرگ‌تر ↗خودرمزگذار ابتدا نمای فشرده‌ای از ورودی می‌سازد و سپس همان ورودی را بازسازی می‌کند. اگر آموزش روی رفتارهای معمول انجام شده باشد، بازسازی یک الگوی نامعمول ممکن است خطای بیشتری داشته باشد. شکل، یک انحراف ساختگی و افزایش خطای بازسازی را نشان می‌دهد. خود شبکه به‌تنهایی برچسب ناهنجاری تولید نمی‌کند؛ خطا باید با یک معیار یا آستانه مقایسه شود. آستانه را با داده اعتبارسنجی تنظیم کنید و هم هشدار اشتباه و هم ناهنجاری‌های ازدست‌رفته را بررسی کنید.
رابطه کوتاه
r[t] = |x[t] − x̂[t]|
r خطای ساده نقطه‌ای بین ورودی و بازسازی است. مثال اصلی برای ارزیابی دنباله‌ها از RMSE نیز استفاده می‌کند؛ شکل اینجا فقط منطق خطا را روشن می‌کند.
تمرین پیشنهادی
به یک دنباله معمول، یک جهش کوتاه اضافه کنید. تغییر خطای بازسازی را ببینید و اثر پایین یا بالابردن آستانه را توضیح دهید.
- آمادگی پیشنهادی
- سری زمانی و مبانی شبکه عصبی
- محیط اجرا
- MATLAB و جعبه‌ابزارهای معرفی‌شده در مثال یادگیری عمیق
خوشه‌بندی داده با الگوریتم k-means
k-Means Clustering
با گروه‌بندی مشاهدات بر اساس شباهت و بدون برچسب آموزشی آشنا می‌شوید. برای درک تفاوت دسته‌بندی نظارت‌شده و خوشه‌بندی، این مثال را بعد از یادگیری ماشین مقدماتی بخوانید.
نمای بزرگ‌تر ↗خوشه‌بندی به برچسب پاسخ نیاز ندارد؛ الگوریتم مشاهدات را بر اساس فاصله به چند مرکز نسبت می‌دهد. هر مرکز در شکل نماینده یک گروه از نقاط نمونه است. تعداد خوشه‌ها را باید انتخاب کنید و نتیجه می‌تواند به مقداردهی اولیه وابسته باشد. اگر یک ویژگی دامنه عددی بسیار بزرگ‌تری داشته باشد، ممکن است فاصله‌ها را تحت‌تأثیر قرار دهد؛ بنابراین مقیاس ویژگی‌ها را بررسی کنید. یک خوشه الزاماً معادل یک دسته واقعی یا معنای فیزیکی مشخص نیست و باید با شناخت داده تفسیر شود.
رابطه کوتاه
J = Σ_i ‖x_i − μ_(c_i)‖²
x مشاهده، μ مرکز خوشه و c_i شماره خوشه مشاهده i است. k-means مجموع فاصله‌های مربعی درون‌خوشه‌ای را کاهش می‌دهد.
تمرین پیشنهادی
داده را با دو و سه خوشه گروه‌بندی کنید. مراکز و نقاط مرزی را رسم کنید و اثر تغییر مقیاس یکی از ویژگی‌ها را ببینید.
- آمادگی پیشنهادی
- ماتریس داده و فاصله بین مشاهدات
- محیط اجرا
- MATLAB و Statistics and Machine Learning Toolbox
آموزش مدل‌های رگرسیون در Regression Learner
Train Regression Models in Regression Learner App
مدل‌های پیش‌بینی مقدار عددی را در محیط گرافیکی آموزش و مقایسه می‌کنید. انتخاب روش اعتبارسنجی، بررسی خطا و صادرکردن مدل یا کد از موضوعات اصلی این راهنماست.
نمای بزرگ‌تر ↗در رگرسیون، خروجی یک مقدار عددی مانند مصرف یا اندازه یک کمیت است. نمودار مشاهده در برابر پیش‌بینی به شما نشان می‌دهد خطا در چه محدوده‌ای بیشتر می‌شود. نقاط نزدیک خط قطری در شکل، خطای کوچک‌تری دارند. مدل‌ها را با داده و روش اعتبارسنجی یکسان مقایسه کنید و فقط کمترین خطای آموزش را ملاک قرار ندهید. الگوی خطاهای باقیمانده نیز مهم است: تجمع خطا در یک محدوده می‌تواند نشانه ویژگی نامناسب، رابطه مدل‌نشده یا تفاوت توزیع داده باشد.
رابطه کوتاه
RMSE = √[(1/N) Σ_i (y_i − ŷ_i)²]
y مقدار واقعی، ŷ پیش‌بینی و N تعداد نمونه‌هاست. واحد RMSE همان واحد خروجی است و خطاهای بزرگ در آن وزن بیشتری می‌گیرند.
تمرین پیشنهادی
دو مدل را با یک تقسیم داده مقایسه کنید. علاوه بر RMSE، نمودار خطا در برابر مقدار واقعی را رسم و ناحیه‌های مشکل‌دار را مشخص کنید.
- آمادگی پیشنهادی
- جدول داده، متغیر هدف و اعتبارسنجی
- محیط اجرا
- MATLAB و Statistics and Machine Learning Toolbox
تفسیر پیش‌بینی مدل با مقادیر Shapley
shapley — Shapley values
مثال‌های این مرجع نشان می‌دهند چگونه سهم ویژگی‌ها در یک پیش‌بینی بررسی می‌شود. پس از ساخت مدل رگرسیون یا دسته‌بندی، از آن برای مطالعه رفتار مدل روی نمونه‌های مشخص استفاده کنید.
نمای بزرگ‌تر ↗پس از پیش‌بینی، می‌توان پرسید کدام ویژگی‌ها آن را نسبت به مقدار مبنا بالا یا پایین برده‌اند. نمودار سهم‌ها در شکل یک نمونه آموزشی از این جمع‌پذیری است. سهم مثبت، خروجی همان مدل را نسبت به مبنا افزایش می‌دهد و سهم منفی آن را کاهش می‌دهد. این تفسیر به مدل، نقطه مورد بررسی و داده مرجع وابسته است. سهم یک ویژگی را با اثر علّی آن اشتباه نگیرید؛ تغییر هم‌زمان ویژگی‌های وابسته می‌تواند تفسیر نتیجه را پیچیده‌تر کند.
رابطه کوتاه
f(x) = E[f(X)] + Σ_j φ_j
مقدار مبنا، میانگین مرجع خروجی مدل است و φ سهم هر ویژگی را بیان می‌کند. سهم‌ها برای یک خروجی و یک نمونه مشخص جمع می‌شوند.
تمرین پیشنهادی
دو نمونه با پیش‌بینی مشابه انتخاب کنید. آیا ترکیب سهم ویژگی‌ها نیز مشابه است؟ تغییر داده مرجع چه اثری بر تفسیر دارد؟
- آمادگی پیشنهادی
- یک مدل آموزش‌دیده و شناخت ویژگی‌های ورودی
- محیط اجرا
- MATLAB و Statistics and Machine Learning Toolbox
تشخیص اشیا با YOLO v4 در MATLAB
Object Detection Using YOLO v4 Deep Learning
جریان کاری تشخیص شیء را از داده و برچسب تا آموزش و ارزیابی آشکارساز دنبال می‌کنید. تفاوت این مسئله با دسته‌بندی تصویر در تعیین محل اشیا و نه فقط نام کلاس آن‌هاست.
نمای بزرگ‌تر ↗تشخیص شیء علاوه بر نام کلاس، محل آن را با کادر مشخص می‌کند. در شکل، مستطیل پیوسته و نقطه‌چین دو کادر نمونه روی یک صحنه شماتیک‌اند. کیفیت آشکارساز فقط به درست‌بودن نام کلاس وابسته نیست؛ محل کادر، امتیاز اطمینان و اشیای ازدست‌رفته هم اهمیت دارند. کیفیت برچسب‌گذاری و اندازه اشیا در تصویر را بررسی کنید. آستانه اطمینان پایین‌تر معمولاً نامزدهای بیشتری باقی می‌گذارد، اما ممکن است هشدارهای اشتباه را نیز بیشتر کند.
رابطه کوتاه
IoU = Area(A ∩ B) / Area(A ∪ B)
نسبت هم‌پوشانی دو کادر بین صفر و یک است. این کمیت محل کادر را می‌سنجد و به‌تنهایی معیار کامل کیفیت دسته‌بندی یا کل آشکارساز نیست.
تمرین پیشنهادی
دو کادر را ابتدا کاملاً منطبق و سپس جابه‌جا رسم کنید. IoU را حساب کنید و توضیح دهید چرا یک نام کلاس درست هنوز می‌تواند کادر نامناسب داشته باشد.
- آمادگی پیشنهادی
- یادگیری عمیق، تصاویر برچسب‌خورده و کادر شیء
- محیط اجرا
- MATLAB، Computer Vision Toolbox، Deep Learning Toolbox و وابستگی‌های مثال
بخش‌بندی معنایی تصویر با شبکه عمیق
Semantic Segmentation Using Deep Learning
به هر پیکسل تصویر یک برچسب معنایی نسبت داده می‌شود. این مثال برای شناخت تفاوت بخش‌بندی، دسته‌بندی کل تصویر و تشخیص کادر اشیا و بررسی خروجی شبکه مناسب است.
نمای بزرگ‌تر ↗در بخش‌بندی معنایی، هر پیکسل به یک کلاس مانند جاده یا خودرو نسبت داده می‌شود. برخلاف کادر تشخیص، مرز ناحیه در سطح پیکسل توصیف می‌شود. رنگ‌های شکل برچسب کلاس‌اند و رنگ طبیعی تصویر را نشان نمی‌دهند. دو شیء از یک کلاس ممکن است یک برچسب یکسان داشته باشند؛ بخش‌بندی معنایی به‌خودی‌خود شناسه جداگانه هر نمونه را مشخص نمی‌کند. برای ارزیابی، مرزها و کلاس‌های کوچک را هم ببینید؛ فراوانی زیاد پس‌زمینه می‌تواند دقت کلی را گمراه‌کننده کند.
رابطه کوتاه
label(i,j) = argmax_c p(c | pixel(i,j))
برای هر پیکسل، کلاس دارای بیشترین امتیاز انتخاب می‌شود. تفسیر امتیاز به خروجی شبکه و روش ارزیابی وابسته است.
تمرین پیشنهادی
یک ماسک چندکلاسه کوچک بسازید. چند پیکسل از مرز یک شیء را عوض کنید و اثر آن را روی هم‌پوشانی همان کلاس بررسی کنید.
- آمادگی پیشنهادی
- شبکه‌های تصویری و برچسب پیکسلی
- محیط اجرا
- MATLAB، Computer Vision Toolbox، Deep Learning Toolbox و مدل معرفی‌شده در مثال
تمرین پیشنهادی برای تثبیت یادگیری
یک مجموعه داده کوچک انتخاب کنید و پیش از آموزش، نوع خروجی و معیار سنجش را بنویسید. برای داده جدولی یک مدل ساده رگرسیون یا دسته‌بندی بسازید و نتیجه آن را با یک مدل پیچیده‌تر مقایسه کنید. اگر داده زمانی دارید، ترتیب زمان را در جداسازی آموزش و آزمون حفظ کنید. هدف تمرین، تشخیص اثر انتخاب داده و روش ارزیابی است؛ صرف بالاتررفتن دقت روی داده آموزش نشانه بهترشدن مدل نیست.
شیوه استفاده از منابع
معرفی و ترتیب مطالعه در این صفحه فارسی است؛ محتوای اصلی منابع به زبان انگلیسی در MathWorks قرار دارد. دوره‌های Onramp رایگان‌اند و برای انجام تمرین‌ها به حساب MathWorks و رایانه نیاز دارند. محیط آنلاین دوره به مجوز جداگانه محصولات نیاز ندارد؛ اجرای دوره در نرم‌افزار نصب‌شده شرایط مجوز خودش را دارد.
متن مثال‌ها و صفحه ویدئوها برای مطالعه در دسترس است؛ اجرای فایل نمونه روی رایانه ممکن است به MATLAB، Simulink، جعبه‌ابزارها یا افزونه‌های ذکرشده در منبع و نسخه سازگار نیاز داشته باشد. توضیح رسمی شرایط آموزش‌های MathWorks.
منابع بررسی‌شده در ۲۶ مهر ۱۴۰۵ · ارائه‌دهنده منابع پیوندشده: MathWorks