Рукописный решатель уравнений на Python

Опубликовано: 23 Июля, 2021

Получение данных обучения

Скачивание набора данных

Извлечение функций

Инвертируйте изображение, а затем преобразуйте его в двоичное изображение, потому что извлечение контура дает лучший результат, когда объект белый, а окружение - черное.
Для поиска контуров используйте функцию findContour. Для функций получите ограничивающий прямоугольник контура с помощью функции boundingRect (ограничивающий прямоугольник - это наименьший горизонтальный прямоугольник, охватывающий весь контур).
Поскольку каждое изображение в нашем наборе данных содержит только один символ / цифру, нам нужен только ограничивающий прямоугольник максимального размера. Для этого вычисляем площадь ограничивающего прямоугольника каждого контура и выделяем прямоугольник с максимальной площадью.
Теперь измените размер прямоугольника, ограничивающего максимальную область, до 28 на 28. Измените его форму до 784 на 1. Таким образом, теперь будут 784-пиксельные значения или функции. Теперь дайте ему соответствующую метку (например, для изображений 0–9 такая же метка, что и их цифра, для - присвоить метку 10, для + присвоить метку 11, для времен присвоить метку 12). Итак, теперь наш набор данных содержит 784 столбца функций и один столбец меток. После извлечения функций сохраните данные в файл CSV.

Данные обучения с использованием сверточной нейронной сети

Поскольку сверточная нейронная сеть работает с двумерными данными, и наш набор данных имеет форму 785 на 1. Следовательно, нам нужно изменить его форму. Во-первых, назначьте столбец меток в нашем наборе данных переменной y_train. Затем отбросьте столбец меток из набора данных и измените форму набора данных на 28 на 28. Теперь наш набор данных готов для CNN.

Построение сверточной нейронной сети

Для создания CNN импортируйте все необходимые библиотеки.

 import pandas as pd
 import numpy as np
 import pickle
 np.random.seed( 1212 )
 import keras
 from keras.models import Model
 from keras.layers import * from keras import optimizers
 from keras.layers import Input , Dense
 from keras.models import Sequential
 from keras.layers import Dense
 from keras.layers import Dropout
 from keras.layers import Flatten
 from keras.layers.convolutional import Conv2D
 from keras.layers.convolutional import MaxPooling2D
 from keras.utils import np_utils
 from keras import backend as K
 K.set_image_dim_ordering( 'th' )
 from keras.utils.np_utils import to_categorical
 from keras.models import model_from_json 

Преобразуйте данные y_train в категориальные данные с помощью функции to_categorical. Для создания модели используйте следующую строку кода.

 model = Sequential()
 model.add(Conv2D( 30 , ( 5 , 5 ), input_shape = ( 1 , 28 , 28 ), activation = 'relu' ))
 model.add(MaxPooling2D(pool_size = ( 2 , 2 )))
 model.add(Conv2D( 15 , ( 3 , 3 ), activation = 'relu' ))
 model.add(MaxPooling2D(pool_size = ( 2 , 2 )))
 model.add(Dropout( 0.2 ))
 model.add(Flatten())
 model.add(Dense( 128 , activation = 'relu' ))
 model.add(Dense( 50 , activation = 'relu' ))
 model.add(Dense( 13 , activation = 'softmax' ))
 # Compile model
 model. compile (loss = 'categorical_crossentropy' ,
              optimizer = 'adam' , metrics = [ 'accuracy' ]) 

Подгонка модели к данным

Для подгонки CNN к данным используйте следующие строки кода.

 model.fit(np.array(l), cat, epochs = 10 , batch_size = 200 ,
          shuffle = True , verbose = 1 ) 

Обучение нашей модели с точностью 98,46% займет около трех часов. После обучения мы можем сохранить нашу модель как файл json для использования в будущем, чтобы нам не приходилось обучать нашу модель и каждый раз ждать по три часа. Чтобы сохранить нашу модель, мы можем использовать следующую строку кодов.

 model_json = model.to_json()
 with open ( "model_final.json" , "w" ) as json_file:
    json_file.write(model_json)
 # serialize weights to HDF5
 model.save_weights( "model_final.h5" ) 

Тестирование нашей модели или решение уравнения с ее помощью

Во-первых, импортируйте нашу сохраненную модель, используя следующую строку кодов.

 json_file = open ( 'model_final.json' , 'r' )
 loaded_model_json = json_file.read()
 json_file.close()
 loaded_model = model_from_json(loaded_model_json)
 # load weights into new model
 loaded_model.load_weights( "model_final.h5" ) 

Теперь введите изображение, содержащее рукописное уравнение. Преобразуйте изображение в двоичное изображение, а затем инвертируйте изображение (если цифры / символы черные).

Теперь получите контуры изображения, по умолчанию оно будет получать контуры слева направо.

Получите ограничивающий прямоугольник для каждого контура.

Иногда это приводит к появлению двух или более контуров для одной и той же цифры / символа. Чтобы этого избежать, проверьте, перекрывается ли ограничивающий прямоугольник этих двух контуров. Если они перекрываются, отбросьте меньший прямоугольник.

Теперь измените размер всего оставшегося ограничивающего прямоугольника до 28 на 28.

Используя модель, спрогнозируйте соответствующую цифру / символ для каждого ограничивающего прямоугольника и сохраните его в строке.

После этого используйте функцию eval для строки, чтобы решить уравнение.

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

Python Машинное обучение Проект

Рукописный решатель уравнений на Python

РЕКОМЕНДУЕМЫЕ СТАТЬИ