Meer graan

Nog een testje met de befaamde graankorrels. Ik heb de logische fout van op elkaar gestapelde 'graantjes' eruit gehaald. Daarnaast zit er, iig in het convolutial algoritme (convnet), 'ruis' wat erop neerkomt dat graantjes van 1 pixel groot volledig kunnen verdwijnen. (Gezien wat 'artefacten' - kleine zwarte puntjes - in het sklearn programma-resultaat denk ik dat daar ook ruis wordt toegepast. Zie afbeelding hieronder.) Dus maar een minimum 'graankorrel' van 2x2 gekozen.  Het convnet levert een betrouwbaarheid op van ruim 99%. Wat wel opvalt is dt het per leer-loop nogal varieert.  Soms loopt die snel op maar soms ook valt de betrouwbaarheid even weer behoorlijk terug. Heeft mogelijk met het type vraagstuk te maken. Geschreven cijfers lezen is toch wat anders dan graankorrels tellen. Niettemin een zeer acceptabele betrouwbaarheid: 

...

87 32.0703961849 seconds / reliability:  0.9795

88 32.0824241638 seconds / reliability:  0.992166666667

89 32.0566852093 seconds / reliability:  0.995333333333

90 32.0832369328 seconds / reliability:  0.992333333333

91 32.0895729065 seconds / reliability:  0.966333333333

92 32.048817873   seconds / reliability:  0.992333333333

93 32.0678329468 seconds / reliability:  0.995

94 32.0670650005 seconds / reliability:  0.995833333333

95 32.429267168   seconds / reliability:  0.9955

96 32.1072170734 seconds / reliability:  0.9925

97 32.0676319599 seconds / reliability:  0.99

98 32.0874857903 seconds / reliability:  0.982333333333

99 32.0707070827 seconds / reliability:  0.991666666667 

Blijkbaar door het type vraagstuk. 

Dit is de gebruikte code om de graantjes aan te maken. 60.000 plaatjes in ongeveer 9 seconden. Iets minder for-loopjes door sub-matrix bewerkingen.  

####################################

t0 = time.time()

si = 60000          # Aantal oefenafbeeldingen

t_si = -.1 * si     # testset 10%

h = 28              # hoogte

b = 28              # breedte

r = 3               # (max) graan-grootte + 2

a = 5               # (max) aantal graantjes

ima = np.zeros((si, h * b))

ima.shape = si, h , b

grains = np.floor(np.random.rand(si) * a) + 1 #minimaal 1 graantje

num = np.zeros((si,10))

for i in range(si):

    num[i,int(grains[i])]=1.

for i in range(0,si):

    for j in range(0,int(grains[i])):

        notfree = True

        while notfree:

            ho = np.floor(np.random.rand() * (h-r))

            br = np.floor(np.random.rand() * (b-r))

            vr = 2 + np.floor(np.random.rand() * r)

            #vr = r

            notfree= np.sum(ima[i,int(ho):int(ho+vr),int(br):int(br+vr)])!=0      # Test of er plaats is voor het 'graantje'.

        ima[i,int(ho):int(ho+vr),int(br):int(br+vr)] += 1

ima.shape = si, h * b

trX,trY = ima[:t_si], num[:t_si]

teX,teY = ima[t_si:], num[t_si:]

print 'test files generated', time.time() - t0, 'seconds'

####################################