taralino

.train

Die Funktion Mnist.train() erwartet keine (verpflichtende) Argumente.

Es wird ein Datenfeld (eine Liste) sämtlicher im Paket enthaltener Trainings-Datensätze zurückgegeben. Jedes Element des Datenfeldes ist dabei ein Objekt mit folgenden Variablen:

Variable	Datentyp	Hinweis
input	Datenfeld	784 Zahlen, jeweils aus dem Intervall [0,1]
output	Datenfeld	10 Zahlen (Klassifikationsergebnis als Einheitsvektor)
index	Zahl	ganzzahlig, zwischen 0 und 9 (Klassifikationsergebnis)

Die Daten können insbesondere dazu verwendet werden, um ein neuronales Netz zu trainieren. Dabei beschreiben output und index das jeweils bekannte Klassifikationsergebnis als (Einheits-)Vektor bzw. als Zahl (Index).

Zudem können folgende Optionen verwendet werden:

Variable	Datentyp	Hinweis	Default-Wert
format	Zeichenkette	vector oder matrix	vector
count	Zahl	ganzzahlig, zwischen 2 und 2000	2000

Falls als Option format die Zeichenkette matrix verwendet wird, dann ist input nicht als Vektor bestehend aus 784 Zahlen zu verstehen, sondern als Matrix mit 28 x 28 Einträgen (zweidimensionales Datenfeld). Die Option count definiert die Anzahl der Datensätze, die zurückgegeben werden.

Beispiel

Es wird ein Datensatz aus dem Trainings-Umfang (als Matrix) abgerufen sowie dargestellt.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="Mnist.js"></script>
</head>
<body>
<script>

var X = Mnist.train({format:"matrix"});

var M = Picture.matrix(X[0].input);
M = Picture.invert(M);
Picture.draw(M, {zoom:10});

</script>
</body>
</html>

Vorschau Download Kopie speichern

Beispiel

Zum Trainieren eines neuronalen Netzes wird der Mnist Trainings-Umfang verwendet.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="Mnist.js"></script>
</head>
<body>
<script>

// Trainings- und Testdaten
var X = Mnist.train();
var Y = Mnist.test();

// Initialisierung und Trainingsphase starten
NeuralNetwork.init([784,20,10]);
NeuralNetwork.progress(X, Y, {iterations:1000, batch_size:10});


/********************************************************
  Die Funktion on_training_done(data) wird aufgerufen,
  wenn die Trainingsphase abgeschlossen ist.
********************************************************/

function on_training_done(data) {
  Console.print("Anzahl korrekt erkannt:");
  Console.print(NeuralNetwork.test(Y));
};

</script>
</body>
</html>

Vorschau Download Kopie speichern