Resme bakın ve Pokemon'un özelliklerini tahmin edin, bu sinir ağı sizden daha iyi olabilir! (Eğitim)
Wang Xinmin, Journal of Geek Studies blogundan derlendi
QbitAI tarafından üretilen Qubit
Geçen yıl oldukça popüler olan ancak sonunda Çin'e giremeyen Pokémon Go'yu hala hatırlıyor musunuz? Bugün konuşacağımız şey "Pokemon" ile ilgili.
Bu oyun serisi Nintendo tarafından piyasaya sürüldü.Resmi adı Pokémon. Son 20 yılda dünyanın en çok satan ikinci video oyunu olduğu söylenebilir (ilki tabii ki Super Mario). Şimdi yedinci nesle piyasaya sürüldü. , Elflerin sayısı da ilk nesilde 151'den 802'ye çıktı.
Oyuncu, oyunda elf eğitmeni rolünü oynar, elf'i yakalar ve onlarla birlikte savaşır.
802 elfleri kimsenin hepsini tanıyıp tanımadığını bilmez. Her neyse, kübit editörleri sadece Bikachu gibi başlangıç serileri gibi en yaygın olanları bilir:
Şekil 1: Harika kurbağa tohumu, küçük ateş ejderhası ve Jenny kaplumbağası (soldan sağa)
Tüm 802'leri tanıyabilseniz bile, henüz bitmedi. Bu küçük elflerin her birinin "element yakınlığını" göstermek için bir veya iki özel niteliği vardır ve diğer elflerle savaşırken kendi güçlü ve zayıf yönlerine sahiptirler. Bu ayar, savaş sisteminin temelini oluşturan ve oyunun eğlencesini (ve hafıza zorluğunu) büyük ölçüde artıran taş kağıt makasın karmaşık bir versiyonu gibidir. Aşağıdaki şekilde gösterildiği gibi, Pokemon'un en son sürümünün 18 özelliği vardır:
şekil 2: Ortak arka plan renkleri ile ayırt edilen 18 Pokemon özelliği
Çince versiyonu gel
Bu küçük elfin hangi nitelikleri olduğunu hatırlayamıyorum Yardım için elf illüstrasyon kitabına gideceğim, ancak ciddi ve çalışkan bir yabancı Geek, evrişimli sinir ağları hakkında düşündü.
Evrişimli sinir ağı ConvNets aracılığıyla Pokemon'daki sprite'ların niteliklerini sınıflandırma görevini uygulamak için bir blog yazısı yazdı.Ağ, oyun sprite'larının niteliklerini belirli bir sprite görüntüsü aracılığıyla değerlendirebilir.
Blogunda, veri seti oluşturma, ön işleme süreci ve eğitim adımlarını ayrıntılı olarak tanıttı ve seçilen modelin performans göstergelerini analiz etti.Aynı zamanda kodu ve analiz sonuçlarını uygulamak için GitHub'daki tüm verileri açıkladı.
Qbit (genel numara: QbitAI) konuşma arayüzündeki "elf" e yanıt verin, size İngilizce sürüm PDF ve GitHub adresini göndereceğiz.
Aşağıdaki içerik Journal of Geek Studies blogundan çevrilmiştir.
Veri ön işleme
Veri seti özellikleri
Ağ modelini eğitmek için Veekun (https://veekun.com/) üzerindeki tüm oyun sprite'larının bir veri setini elde ettim. Bu veri seti, oyunun birinci ila beşinci nesillerinden sprite içerir. Daha sonra yayınlanan altıncı ve yedinci nesil oyunlarda yeni sprite'lar vardı, ancak bu sprite'lar üç boyutlu bir animasyon modeli kullanıyordu.Oyundan sprite görüntüleri çıkarmak zor. Makine öğrenme yöntemleri bu formattaki eğitimi desteklemiyor. Bu nedenle, bu makalede sadece Pokémon'un ilk beş nesli tarafından yayınlanan 649 sprite görselini kullanacağız.
resim 3: Guandu bölgesindeki yeni başlayan üç elfin önceki oyunlarda yaptığı değişiklikler
Oyun konsollarının farklı donanım ve işlevlerinden dolayı oyundaki orijinal resimlerin inceliğinin farklı olduğunu görebiliyoruz. Nintendonun Game Boy oyun konsolunda, birinci nesil versiyondaki her sprite neredeyse hiç renk değişikliği yapmaz, ancak veri seti, Bulbasaur yeşil, Charmander kırmızı ve Squirtle gibi bazı renk bilgileri sağlar. Game Boy'dan Nintendo DS'ye, sürümün güncellenmesiyle elfin inceliğinin sıçramalar ve sınırlarla arttığını gördük.Sadece renk tonu değil, şekli de farklı.
Aynı zamanda, görüntü sınıflandırma görevlerinde tipik bir sorunla karşılaştık, yani görüntülerin farklı çözünürlükleri var. Tüm görüntülerin en boy oranı 1: 1 olmasına rağmen, yukarıdaki şekilde her alt ekrandaki kenarlık ölçeğine dikkat ediniz.İlk nesil oyunda görüntü hala 40 piksel genişliğinde ve beşinci kuşakta 96 piksele yükseltilmiştir. .
Ek olarak, tüm sprite'lar her görüntüde farklı alan kaplar. Sprite'ların önceki sürümleri, görüntüdeki daha geniş alanı dolduruyor gibiydi. Aynı sürümde, sihirbaz geliştikçe boyutu da buna göre değişecektir.
Şekil 4: Beşinci nesil oyunlarda, kurbağa tohumları kurbağa otu ve kurbağa çiçeklerine dönüşürken, boyutu da artıyor ve resmin kapladığı alanın oranı da artıyor.
Görüntü merkezli
Görüntüdeki ana nesneyi tanımlamak için bilgisayarla görme teknolojisini uyguladığımızda, sınırlayıcı kutusunu belirlememiz ve görüntüyü ortalamamız gerekir. Adımlar şunlardır:
1. Renkli görüntüleri gri tonlamalı görüntülere dönüştürün;
2. Hareketli grafiğin ana hatlarını vurgulamak için görüntüyü Sobel filtresiyle işleyin. Sobel filtresi, görüntünün gradyanı aracılığıyla nesnenin kontur koordinatlarını elde edebilen 3x3 evrişimli bir çekirdektir;
3. Sihirbazın ana hatlarını elde etmek için görüntüdeki boşlukları doldurun;
4. Konturdaki tüm pikselleri içerebilecek en küçük alanı hesaplayın;
5. Hareketli grafiğin ana hatlarına göre kare sınırlayıcı kutunun boyutunu belirleyin;
6. Kare sınırlayıcı kutuyu 64x64 piksel olarak ayarlayın;
Şekil 5: Elf görüntüsünü ortalamanın tam adımları
Yukarıdaki adımları gerçekleştirdikten sonra, konunun maksimum doldurma hızı ile sprite görüntüsünü elde ederiz. Bu işlem sihirbazın ortalanmasına yöneliktir ve bu yöntem oldukça etkilidir. Resmi işlemek istediğimiz için çok basit, hareketli bir resim ve beyaz bir arka plandan oluşuyor.
Son olarak, tüm sprite görsellerini bu şekilde işledik.
Resim 6: Merkezde birden fazla beşinci nesil elflerin sonucu
Hedef değişken
Şimdi resim veri setimizi oluşturmak için tüm sprite görsellerini işledik ve ardından bunları tahmin edilecek değişkenlere göre sınıflandırıyoruz. Bu makalede, görselini yalnızca her hareketli grafiğin doğru özelliklerini belirlemek için kullanacağız. Şekil 7'de, elf'i 18 özellikten birine doğru şekilde sınıflandırmak için sınırlayıcı kutunun içindeki görüntüyü kullanmaya çalışıyoruz.
Şekil 7: Sihirbaz ve ilgili nitelikleri Yukarı: Froggrass (solda) ve Bobo (sağda) Aşağı: Dagang Snake (solda) ve Ammonite (sağda)
Ama yine de bir sorun var: Çoğu elfin çift niteliği vardır, yani bir elfin doğru niteliği, 18 özellik arasında iki farklı özelliğin birleşimidir. Örneğin, Şekil 7'de, kurbağa otunun özellikleri ot ve zehirdir ve her iki özelliğin de avantajları ve zayıf yönlerine sahiptir.
Bu tür bir durumu çözmek istiyorsak, birleşik nitelikleri sınıflandırmamız gerekir. Özniteliklerin sırasını görmezden gelsek, öznitelikleri ve öznitelikleri aynı kategoriye ayırsak ve var olmayan kombinasyonları kaldırsak bile, 154 olası kategori ile sonuçlanacağız.
Sorunları daha da kötüleştirmek için, Şekil 8'de gösterildiği gibi, bazı kombinasyonlar nadirdir, sadece bir veya iki Pokémon ile öğrenme için mevcut örnekleri sınırlandırır.
Şekil 8: Bazı nadir özellik kombinasyonları Yukarı: Lav Salyangozu (solda) ve Yo-Yo Topu (sağda) Aşağı: Huayan Monster (solda) ve Fire Steel Beast (sağda)
Yukarıda bahsedilen nedenlerden dolayı, sprite'ların kombinasyon özelliklerini görmezden gelmeye karar verdim. Bu nedenle, sihirbazın yalnızca ana özelliklerini dikkate alıyoruz. Örnek olarak Şekil 7'deki elfi ele alalım, bunu şöyle ayarlayacağız:
Kurbağa Otu: Çim
Bobo: Genel
Büyük Çelik Yılan: Çelik
Ammonit: Kaya
Model eğitimi
Model seçin
Veri setini tahmin etmek için evrişimli sinir ağlarını kullanacağım. Öncelikle sinir ağlarına bir göz atalım.
Wikipedia'ya göre bir sinir ağı, temelde nöron adı verilen basit birimlerden oluşan birbirine bağlı bir ağ olan, yaygın olarak kullanılan bir makine öğrenimi tahmin modelidir. Biyolojik sistemlerin iç işlemlerinin basit bir simülasyonu yoluyla, sinir ağları bu nöronlar aracılığıyla karmaşık işlevleri ve modelleri gerçekleştirebilir.
En basit nöron biçimi, aşağıdaki şekilde gösterildiği gibi, kombinasyon yoluyla doğrusal olmayan aktivasyon işlevini gerçekleştirebilen bir girdi doğrusal işlevidir:
Şekil 9: Bir sinir ağının temel birimi
Bununla birlikte, ağ katmanlarının sayısını derinleştirerek, sinir ağı, aşağıdaki şekilde gösterildiği gibi, bağımsız değişkenler ve bağımlı değişkenler arasında giderek daha karmaşık yazışmalar oluşturabilir:
Şekil 10: Gizli bir katmana sahip biraz daha karmaşık bir sinir ağı yapısı
1940'tan beri, bazı bilim adamları sinir ağları üzerinde çalıştılar, ancak yerel optima ve aşırı hesaplamayla ilgili sorunlar var, bu nedenle gelişme yavaş oldu. Son yıllarda, büyük ölçüde iyileştirilmiş hesaplama performansı ve geri yayılım algoritmalarının önerilmesi ve geliştirilmesi ile sinir ağları bir kez daha çok sayıda akademisyenin dikkatini çekti.
Tamam, sinir ağlarını daha iyi anladık. Ama "evrişim" ne anlama geliyor? Önce çekirdeği tanıtalım.
Görüntü işlemede, evrişim matrisi olarak da adlandırılan çekirdek, bulanıklaştırma, keskinleştirme ve kenar algılama gibi görevlerde kullanılan küçük bir matristir. İstenilen etkiyi elde etmek için yeni görüntüler oluşturmak üzere matris evrişim işlemlerini gerçekleştirmek için uygun bir çekirdek belirledik. Önceki adımlarda, bir çekirdek kullandık: Sobel çekirdeği, veri ön işlemede hareketli grafiğin kenarını tespit etmek için kullanılır.
Şekil 11: Sobel operatörünü uyguladıktan sonra peri kurbağa çiçeğinin etkisi
Evrişim işlemi, görüntü üzerindeki evrişim çekirdeğinin geçişi olarak kabul edilebilir. Çekirdeğin değerini görüntü öğesindeki gri değerle öğeye çarpın ve evrişimin son değerini elde etmek için sonuçları ekleyin. Uygulamada, renk yoğunluğundaki belirgin değişiklikleri tespit etmek için dikey Sobel filtresini kullanabiliriz.
Şekil 12: Jeneratör matrisindeki son kırmızı değeri elde etmek için vurgulanan kırmızı alanı döndürmek için dikey bir kenar filtresi uygulayın
Peki bu evrişim çekirdeklerinin sinir ağlarıyla ne ilgisi var? Sinir ağının evrişimli katmanı, aslında nöronlar arasındaki bağlantı ilişkisini akıllıca gerçekleştirir ve ardından bu özel filtreleri denetimli öğrenme yoluyla tanıyan bir sınıflandırıcı gerçekleştirir. Ön işleme adımında, belirli bir yapının çekirdeğini kullanacağız, çünkü çekirdeğin hangi yapısının kontür çıkarma görevini tamamlayabileceğini biliyoruz. Ancak evrişimli sinir ağlarında, eğitim algoritmasının özel yapılara sahip filtreleri otomatik olarak bulmasına ve çok seviyeli kombinasyonlar yoluyla giderek daha karmaşık gelişmiş özellikleri ifade etmesine izin veriyoruz.
Sinir ağı yapımız
Sprite sınıflandırma görevi için dört katmanlı bir evrişimli sinir ağı kullandım.
Şekil 13: Bu makaledeki sihirbaz sınıflandırmasında kullanılan sinir ağı yapısı
Yukarıdaki şekildeki her katman, evrişimli ağdaki bir katmana karşılık gelir. Her katmandan sonra katmanın çıktısını temsil eden durum tensörünü elde ederiz ve tensör boyutu her katmanın sağ tarafına yazılır.
Daha sonra evrişim işlemi, evrişim katmanındaki evrişim çekirdeği aracılığıyla gerçekleştirilir. İlk katmanda, girdi görüntüsüne 5 boyutlu 32 evrişim çekirdeği uygulayarak 60 × 60 boyutunda 32 çıktı matrisi elde ediyoruz. Bir görüntüye evrişim işlemi uygulamak, çıktı matrisinin boyutunun azalmasına neden olan bir sınır efekti oluşturur.
Ayrıca, belirli bir tensör bölgesinden maksimum değeri çıkararak onu tek bir değerle değiştiren bir maksimum havuz katmanı kullanıyoruz. Bu nedenle, 2 × 2 maksimum havuzlama işlemini uyguladıktan sonra, boyutu orijinal tensörün yalnızca dörtte biri olan yeni bir tensör elde ederiz.
Şekil 14: Maksimum havuzlama işlemi örneği
Son olarak, tensörü tek boyutlu bir vektöre genişletir ve ardından tahmin için tamamen bağlantılı bir katman kullanırız. Son katmandaki çıkış düğümlerinin sayısı 18'dir ve bu, sprite özelliklerinin sayısıyla aynıdır.
Eğitim ve doğrulama
Sihirbaz sınıflandırma modelini eğitmek için veri setini iki bölüme ayırıyoruz:
1) Ağı eğitirken, verilerden model parametrelerini öğrenmek için eğitim seti kullanılacaktır;
2) Doğrulama seti, elde edilen modelin tahmin performansını doğrulamak için kullanılır.
Bu şekilde, ağ eğitiminin doğruluk ve test hatasıyla gereğinden fazla uygun olup olmadığına karar verebileceğiz.
Ancak bu iki veri setini rastgele bölme ile belirleyemiyoruz. Çünkü farklı "Pokemon" oyunlarında, özellikle aynı neslin farklı oyunları arasında, aynı sprite'ın orijinal resimleri çok benzer.
Şekil 15: Büyük Kuş'un mücevher versiyonunda (solda) ve elmas versiyonunda (sağda) orijinal resimleri. İkisi arasındaki farkı görebiliyor musun? Resim açıklamasını girmek için lütfen buraya tıklayın
Orijinal veri seti rastgele bölünürse, doğrulama seti ve eğitim setinde hemen hemen aynı olan ve ağ modelinin performansının fazla tahmin edilmesine yol açacak birkaç örnek olabilir. Bu nedenle, hareketli görüntü görüntülerini rastgele bölmek yerine tüm hareketli grafik görüntülerini aynı veri kümesine atıyorum. Başka bir deyişle, ateş püskürten ejderha doğrulama setine atanırsa, tüm görüntüleri doğrulama setine bölünecek ve böylece modelin fazla tahmin edilmesi sorunu ortadan kalkacaktır.
Sprite'ların% 20'sini test seti olarak ve sprite'ların% 80'ini eğitim seti olarak kullanıyorum, yani eğitim setinde 2727 sprite örneği var.
Verim
Bu makale, modelin sınıflandırma performansını değerlendirmek için üç performans göstergesi kullanacaktır:
1) Doğruluk (doğruluk): Tahmin sürecinde, doğru şekilde sınıflandırılabilen sihirbaz özelliklerinin yüzdesi;
2) Hassasiyet (kesinlik): Bu kategoriye ait olan tüm resimlerde gerçekten bu kategoriye ait olan resimlerin yüzdesi;
3) Geri çağırma oranı (hatırlama): bu kategoride doğru şekilde sınıflandırılan resimlerin bu kategorideki tüm resimlere yüzdesi;
Doğruluk, eğitilen modelin genel kalitesini değerlendirebilse de, doğruluk ve hafıza, her bir sınıf için modelin spesifik tahmin etkisini ölçmemize yardımcı olur.
İlk model: basit eğitim
İlk denemede, sinir ağı, eğitim seti ve doğrulama seti birbirinden bağımsız tutulurken orijinal hareketli görüntü ile eğitildi. Algoritma 20 adım boyunca çalıştı ve yalnızca yaklaşık bir dakika sürdü ve eğitim doğruluk oranı% 100'e ulaştı. İlk eğitimin sonucu aşağıdaki şekilde gösterilmektedir.
Şekil 16: Eğitim setindeki ilk modelin sınıflandırma performansı
O kadar heyecanlı ki, tüm sihirbaz sınıflandırmaları tamamen doğru! Ancak bu göstergeler, bu ağ modelinin tahmini performansını temsil ediyor mu? Aslında bu göstergeler bize modelin eğitim seti verilerine tamamen uyduğunu, ancak yeni verileri iyi tahmin edemediğini ima ediyor. Doğrulayalım: Aşağıdaki şekil, modelin doğrulama setindeki tahmin performansını göstermektedir.
Şekil 17: Doğrulama setindeki ilk modelin sınıflandırma performansı
Mevcut modelin sınıflandırma etkisi rastgele tahminden daha iyi olsa da, ağın aşırı uyum sorunu var.
Garip olan şey, uçuş nitelikleri için neden karşılık gelen bir sprite yok? Aslında, yalnızca elf kasırga bulutu, uçuş niteliğine aittir, ancak eğitim setine bölünmüştür.
Şekil 18: Veri setimizde kasırga bulutu uçan tek ruhtur
İkinci model: görüntü geliştirme
Doğrulama kümesindeki tahminde, ilk model kötü performans gösterdi. Giriş bölümünde belirtildiği gibi, bilgisayarlar hala görüntü sınıflandırma sorununu çözmeye çalışıyor. Veri setimiz çok az ve çok az değişiklik problemine sahiptir, bu da bu algoritma ile eğitilen modelin özellik genelleme yeteneğine sahip olmamasına neden olur.
Bu sorunu çözmek için görüntü iyileştirme teknolojisini uyguladık. Eğitim seti görüntülerini rastgele dönüştürerek değişikliklerini geliştiriyoruz. İnsanlar, Pikachu'nun yönünün belirli bir dereceye kadar ters mi yoksa eğimli mi olduğunu doğru bir şekilde anlayabilir.Eğitilen modelin de bu işlevi göreceğini umuyoruz.
Bu nedenle eğitim seti verileri üzerinde aşağıdaki dönüşümleri gerçekleştiriyoruz:
1) 40 dereceye kadar rastgele dönüş;
2) Görüntü genişliğinin% 20'sine kadar rastgele yatay kaydırma;
3) Görüntü yüksekliğinin% 20'sine kadar rastgele dikey kaydırma;
4) % 20'ye kadar rastgele yakınlaştırma;
5) Dikey ayna görüntüsü
6) 0.2 radyan aralığında kesme dönüşümü gerçekleştirilir.
Şekil 19: Miaofrog tohumlarında görüntü iyileştirme işleminden sonra elde edilen bir dizi görüntü
Yukarıdaki gelişmiş dönüşümü eğitim setindeki tüm hareketli görüntülere uyguladım ve her hareketli görüntü 10 yeni görüntü oluşturabilir. Bu sayede eğitim setinin örneklem büyüklüğünü 27.270'e çıkardık. Bu operasyondan sonra doğru sınıflandırılabilir mi? Algoritma 30 adımdan fazla çalıştı ve 10 dakikadan fazla sürdü. Eğitim sonuçları aşağıdaki şekilde gösterilmektedir:
Şekil 20: Eğitim setinde ikinci modelin sınıflandırma performansı
Huh, modelimizin performansı düştü? Görüntü geliştirme teknolojisi, ağ modeli tahmin performansımı daha iyi hale getirmemeli mi?
Acele sonuca varmayın, eğitim seti üzerindeki sınıflandırma etkisine dayanarak sonuç çıkaramayız. Modelin tahmin performansındaki genel düşüş eğitim seti değişikliklerindeki artıştan kaynaklanmaktadır.Eğer doğrulama setinde daha iyi sınıflandırma performansına çevrilebilirse, bu iyi haber olmalıdır.
Şekil 21: Doğrulama setinde ikinci modelin sınıflandırma performansı
Görüntü geliştirme teknolojisinin modelin tahmin performansını iyileştirmeye yardımcı olduğunu ve doğrulama setinin tahmin doğruluğunun% 14 ila% 39 arttığını kanıtladık. Modelin hiperparametrelerini değiştirerek veya evrişimli ağ yapısını optimize ederek daha iyi bir tahmin modeli elde edebiliriz, ancak takip çalışmasını tamamlaması için okuyucuya bırakmayı umuyoruz.
Sınıflandırma sonuçlarını araştırın
Sonuçlardan temel yasaları çıkarmamız gerekiyor. Daha yüksek tahmin doğruluğuna sahip özellikler aşağıdaki gibidir:
Yangın:% 61
Su:% 54
Zehir:% 54
Çim:% 47
Elektrik:% 46
Daha yüksek hatırlama oranlarına sahip özellikler aşağıdaki gibidir:
Kötü:% 92
Yangın:% 74
Su:% 55
Orta:% 49
Çim:% 42
Bu sonuç şaşırtıcı değil, ateş, su ve otun üç ana özelliği bu iki göstergede ilk beş arasında yer alıyor. Bunun nedeni, bu niteliklerin, hareketli grafik görüntüsünden kolayca çıkarılabilen bilgiler olan renkle ilgili olmasıdır. Aynı zamanda, bu üç özelliğe ait birçok elf vardır, bu nedenle modelin öğrenmesi için birçok eğitim örneği vardır.
Şimdi doğru sınıflandırılması kolay ve doğru sınıflandırılması kolay olmayan sprite'lara bakalım:
Şekil 22: Yüksek doğruluk sihirbazı Yukarı: Jenny Tortoise, Bikachu, Donuk Çiçek Aşağı: Firebird, Bangira, Shelling Ninja
Şekil 23: Düşük doğruluk sihirbazı Yukarı: Haoli, Ammonite Tanrısı, Rogia Aşağı: Xanadu, Pirinç Kaşığı Yılan, Su Ibrahimovic
Küçük bir örneklem büyüklüğüne sahip bu veri setinde bile, sprite sınıflandırmasında rengin önemli bir rol oynadığını görebiliriz. Örneğin, yanlış sınıflandırılması kolay elfler arasında, Haoli'nin, morun ana renginden kaynaklanabilecek zehir türü olarak sınıflandırılması muhtemeldir. Aynı şekilde koyu renginden dolayı yanlışlıkla kötü olarak sınıflandırılabilir.
Peki, bu sonucun neden oluştuğunu asla bilemeyebiliriz. Sınıflandırma için derin sinir ağlarını kullanmanın bir dezavantajı, ağ modelinin bir "kara kutu" ya eşdeğer olmasıdır Şu anda, birçok bilim insanı görüntü sınıflandırmada sinir ağları tarafından öğrenilen soyut özellikleri inceliyor.
Şimdi, evrişim çekirdeğinin ilk katmanından elde edilen öznitelik haritasını gözlemleyebilir ve evrişim çekirdeğinin hangi görüntü özelliklerini aradığını anlamaya çalışabiliriz. Ancak derin sinir ağlarının katman sayısı arttıkça, birleştirilen üst düzey soyut özellikleri tanımlamamız gittikçe zorlaşıyor.
Şekil 24: İlk nesil başlangıç sprite görüntülerinin etkisini işlemek için ilk evrişimli katmanın çekirdeğini kullanın
sonuç olarak
Bu modelin tahmin doğruluğu sadece% 39'dur ve bu o kadar da tatmin edici olmayabilir. Bununla birlikte, 18 tip sprite'ın sınıflandırmasını elde etmek için küçük bir örnek veri seti kullanmak o kadar kolay değildir. Modelimiz, sıfır kuralı temelinden% 20 daha yüksek sınıflandırma doğruluğuna sahiptir. Tablo 1, sıfır kuralı temelinden% 19,5 daha yüksek olan test kümesindeki her hareketli grafik özniteliğinin sıklığını listeler.
Tablo 1: Test setindeki sprite sıklığı
Ancak, bilgisayarların bir gün dünyadaki robotların efendisi olmasını beklersek, onları ölçmek için bu beceriksiz yöntemi kullanmamalıyız. Bilgisayar elf yavrusunu kardeşimden daha iyi tanımak istiyorsa, yine de çok çalışması gerekiyor.
Bugün AI dünyasında dikkat etmeye değer başka ne var? ?
QbitAI genel hesap görüşmesi arayüzünde yanıtla " Şu günlerde ", seçili yapay zeka sektör bilgileri ve araştırma trendlerine bakın. Yeniden doldurun ~
