Распознавание образов

Содержание

Слайд 2

Техническое задание

Разработать проект, включающий в себя:
Распознавание поданных образов
Распознавание искаженных образов

Техническое задание Разработать проект, включающий в себя: Распознавание поданных образов Распознавание искаженных образов

Слайд 3

Используемые фреймворки и библиотеки

numpy http://www.numpy.org
functools https://docs.python.org/2/library/functools.html
os https://docs.python.org/3/library/os.html
Pillow https://pillow.readthedocs.io/en/5.3.x

Используемые фреймворки и библиотеки numpy http://www.numpy.org functools https://docs.python.org/2/library/functools.html os https://docs.python.org/3/library/os.html Pillow https://pillow.readthedocs.io/en/5.3.x

Слайд 4

Теория

Теория

Слайд 5

Теория

Нейронная сети Хопфилда на примере задачи распознавания образов

Рекуррентная нейронная сеть Хопфилда является

Теория Нейронная сети Хопфилда на примере задачи распознавания образов Рекуррентная нейронная сеть Хопфилда является автоассоциативной памятью
автоассоциативной памятью

Слайд 6

Теория

Теория

Слайд 7

Рассмотрим пример

Рассмотрим пример

Слайд 8

Собственно пример

Нарисуем входные матрицы-«числа»

Запишем их в виде векторов

Собственно пример Нарисуем входные матрицы-«числа» Запишем их в виде векторов

Слайд 9

Пример

В соответствии с формулой

Рассчитаем матрицу весов:

’ – операция обнуления главной диагонали

Пример В соответствии с формулой Рассчитаем матрицу весов: ’ – операция обнуления главной диагонали

Слайд 10

Итог

Поочередно подадим на вход все вектора:

Убеждаемся что НС распознает знакомые ей образы

Подадим

Итог Поочередно подадим на вход все вектора: Убеждаемся что НС распознает знакомые
на вход искаженный образ «1»

НС верно определила исходный образ

Слайд 11

Создадим свою Нейросеть

Создадим свою Нейросеть

Слайд 12

Входные данные

Входные данные

Слайд 13

x[ 1 ] = [-1. -1. -1. -1. -1. -1. -1. -1.

x[ 1 ] = [-1. -1. -1. -1. -1. -1. -1. -1.
-1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]
x[ 2 ] = [-1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. -1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. 1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. 1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]
x[ 3 ] = [-1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1.-1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]

Входные данные

Слайд 14

Структура проекта

Структура проекта

Слайд 15

Код программы

Go!

Go!

Go!

Go!

Go!

Код программы Go! Go! Go! Go! Go!

Слайд 16

Вывод на экран

Home

Вывод на экран Home

Слайд 17

Код программы

Код программы

Слайд 18

Код программы

Код программы

Слайд 19

Вывод на экран

Home

Вывод на экран Home

Слайд 20

Код программы

Код программы

Слайд 21

Вывод на экран

Home

Вывод на экран Home

Слайд 22

Вывод на экран

Home

Вывод на экран Home

Слайд 23

Код программы

Код программы

Слайд 24

Вывод на экран

Home

Вывод на экран Home

Слайд 25

Библиотека Pillow

Библиотека Pillow

Слайд 26

Код программы

Код программы

Слайд 27

Результаты выполнения

Потому что
18х14 px ¯\_(ツ)_/¯

Результаты выполнения Потому что 18х14 px ¯\_(ツ)_/¯

Слайд 28

Код и презентация доступны по ссылке: https://github.com/SITIS-project/24

Код и презентация доступны по ссылке: https://github.com/SITIS-project/24
Имя файла: Распознавание-образов.pptx
Количество просмотров: 39
Количество скачиваний: 0