ponderada_huggingface

Conjunto de Dados

O conjunto de dados MNIST é uma grande base de dados de dígitos manuscritos comumente usada para treinar vários sistemas de processamento de imagem. Ele consiste em 70.000 imagens em tons de cinza de 28x28 pixels dos dígitos de 0 a 9, dividido em um conjunto de treinamento de 60.000 imagens e um conjunto de teste de 10.000 imagens.

Arquitetura do Modelo

O modelo é baseado na arquitetura LeNet-5, projetado para reconhecimento de dígitos manuscritos. A arquitetura inclui as seguintes camadas:

Camada de Entrada: Imagens em tons de cinza de 28x28x1 Camada Convolucional 1: 6 filtros de tamanho 5x5, ativação ReLU, padding="same" Camada de Pooling Máximo 1: Tamanho do pool de 2x2 Camada Convolucional 2: 16 filtros de tamanho 5x5, ativação ReLU Camada de Pooling Máximo 2: Tamanho do pool de 2x2 Camada de Achatamento Camada Totalmente Conectada 1: 120 unidades, ativação ReLU Camada Totalmente Conectada 2: 84 unidades, ativação ReLU Camada de Saída: 10 unidades, ativação Softmax (para 10 classes)

Treinamento do Modelo

Para treinar o modelo LeNet-5 no conjunto de dados MNIST, siga estas etapas:

Importar as Bibliotecas Necessárias:

Certifique-se de ter as bibliotecas Keras, NumPy, Matplotlib e Scikit-learn instaladas.

Carregar o Conjunto de Dados:

Use a função fetch_openml para carregar o conjunto de dados MNIST.

Pré-processar os Dados:

Normalize os dados de imagem dividindo os valores dos pixels por 255.0. Redimensione os dados para a forma apropriada de acordo com o formato de dados da imagem (channels_last ou channels_first). Converta os rótulos para codificação one-hot usando to_categorical.

Dividir os Dados:

Divida os dados em conjuntos de treinamento e teste usando train_test_split.

Compilar o Modelo:

Compile o modelo com o otimizador Stochastic Gradient Descent (SGD), função de perda categorical_crossentropy e métrica accuracy.

Treinar o Modelo:

Treine o modelo usando o método fit, especificando os conjuntos de dados de treinamento e teste, o tamanho do lote (batch size), o número de épocas (epochs) e o nível de verbosidade.

Usar o Modelo

Após treinar o modelo, você pode usá-lo para fazer previsões e avaliar seu desempenho. Siga estas etapas:

Fazer Previsões:

Use o método predict do modelo para fazer previsões no conjunto de dados de teste.

Avaliar o Modelo:

Avalie o desempenho do modelo usando métricas de classificação, como a precisão, e visualize os resultados usando gráficos de perda e precisão de treinamento e validação.