Sách Deep Learning cơ bản

9.4 Ứng dụng của việc phân loại ảnh 133
plt.plot(np.arange(0, numOfEpoch), H.history['loss'], label='training loss')
plt.plot(np.arange(0, numOfEpoch), H.history['val_loss'], label='validation loss')
plt.plot(np.arange(0, numOfEpoch), H.history['acc'], label='accuracy')
plt.plot(np.arange(0, numOfEpoch), H.history['val_acc'], label='validation accuracy')
plt.title('Accuracy and Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss|Accuracy')
plt.legend()
# 9. Đánh giá model với dữ liệu test set
score = model.evaluate(X_test, Y_test, verbose=0)
print(score)
# 10. Dự đoán ảnh
plt.imshow(X_test[0].reshape(28,28), cmap='gray')
y_predict = model.predict(X_test[0].reshape(1,28,28,1))
print('Giá trị dự đoán: ', np.argmax(y_predict))
9.4 Ứng dụng của việc phân loại ảnh
• Chuẩn đoán ảnh X-ray của bệnh nhân có bị ung thư hay không
• Phân loại, nhận diện được các chữ, số viết tay => tự động đọc được biển số xe, văn bản.
• Phân loại được các biển báo giao thông => hỗ trợ cho ô tô tự lái
9.5 Bài tập
1. Tại sao cần dùng softmax activation ở layer cuối cùng?
2. (a) Thiết kế và training model CNN phân loại chó, mèo, nguồn dữ liệu https://www.kaggle.com/c/dogsvs-cats/data
(b) Thay đổi learning rate, epoch, batch size xem accuracy thay đổi thế nào? Thử giải thích
tại sao?
(c) Thay đổi model bằng cách thêm lần lượt các layer pooling, dropout, batch normalization,
activation function và thay đổi kernel size bằng (5x5), (7x7) xem số lượng parameter,
accuracy thay đổi thế nào? Thử giải thích tại sao?
3. Xây dựng model CNN cho bài toán phân loại ảnh với dữ liệu CIFAR10 dataset bao gồm
50,000 training set và 10.000 test set ảnh màu kích thước 32x32 cho 10 thể loại khác nhau
(máy bay, ô tô, thuyền, chim, chó, mèo, ngựa,...).
# Load dữ liệu cifar10
from keras.datasets import cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()