taralino

Strichzeichnungen

In der nachfolgenden Anwendung kommt ein neuronales Netz zum Einsatz, das folgende Klassifikationsaufgabe lösen soll:

Die Aufgabe lautet, Strichzeichnungen in Form von Schwarz-Weiß-Bildern bestehend aus 40 x 40 Pixel zu analysieren. Genauer sollen Strichzeichnungen bezüglich der folgenden Objekte klassifiziert werden:

Als Lösungsansatz kommt ein neuronales Netz mit folgendem Aufbau zum Einsatz:

Zu jeder Strichzeichnung bestehend aus 40 x 40 Pixel bzw. zu jedem Eingangssignal bestehend aus 1600 Neuronen erhalten wir demnach die Werte von vier Ausgangsneuronen.

Je größer der Wert eines Ausgangsneurons, desto wahrscheinlicher handelt es sich um das entsprechende Objekt.

Dabei machen wir die Annahme, dass das neuronale Netz bereits geeignet trainiert wurde, d.h., dass die Gewichte und Schwellwerte bereits bezüglich der geforderten Aufgabe sinnvoll gewählt wurden. Wir wissen jedoch keineswegs, ob unsere Annahme stimmt bzw. ob das neuronale Netz die Aufgabe überhaupt lösen kann. Aber erproben können wir dies in der nachfolgenden Anwendung.

Falls man sich für ein Klassifikationsergebnis entscheiden muss oder möchte, so wird man das Objekt wählen, dessen Ausgangsneuron den größten Wert hat.

Anwendung

Zeichne einen Apfel, einen Schmetterling, einen Fisch oder eine Sonne. Wenn du die auf Auswerten klickst, wird deine Strichzeichnungen in ein Eingangssignal bestehend aus 1600 Neuronen überführt und am zuvor trainierten neuronalen Netz ausgewertet.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="Doodle.js"></script>
</head>
<body>
<script>

/*******************************************
             global variables
*******************************************/

var data = [];

var result = [0,0,0,0];

var mousekey = "up";

/*******************************************
             local functions
*******************************************/

function distance(x1,y1,x2,y2) {
  var dx = x1-x2;
  var dy = y1-y2;
  return Math.sqrt(dx*dx + dy*dy);
};

function draw_picture() {
  var M = Doodle.data_to_image(data);
  M = Picture.gradient(M, [0,1], [244,0]);
  Picture.draw(M, {div:"p2", zoom:8});
};

/*******************************************
            mouse interactions
*******************************************/

function on_mouse_down(x, y) {
  mousekey = "down";
  data.push([[x],[y]]);
};

function on_mouse_up(x, y) {
  on_mouse_move(x, y);
  mousekey = "up";
};

function on_mouse_leave(x, y) {
  on_mouse_up(x, y);
};

function on_mouse_move(x, y) {
  if (mousekey == "down") {
    var i = data.length-1;
    var j = data[i][0].length-1;
    if ((j == 0) || (distance(data[i][0][j], data[i][1][j], x, y) > 2.0)) {
      data[i][0].push(x);
      data[i][1].push(y);
      Canvas.line(data[i][0][j], data[i][1][j], x, y);
    };
  };
};

/*******************************************
                   setup
*******************************************/

function setup() {
  // NeuralNetwork
  var T = Doodle.get_data_neuralnetwork();
  NeuralNetwork.set_data(T);
  // Canvas
  Canvas.init([-1,256], [-1,256], {width:320, background:"#f4f4f4"});
  // Buttons
  Button.add("clear", "Neu");
  Button.add("evaluate", "Auswerten");
  // Picture
  draw_picture();
  // Sketch
  Sketch.init([0,10], [0,3.5], {width:320, background:"#f4f4f4"});
  sketch_draw();
};

/*******************************************
                sketch_draw
*******************************************/

function color_gradient(q) {
  var c = [26,124,208];
  var d = [66,188,66];
  return [q*c[0]+(1-q)*d[0], q*c[1]+(1-q)*d[1], q*c[2]+(1-q)*d[2]];
};

function sketch_draw() {
  Sketch.clear();

  Sketch.text(1.4, 2.7, "Apfel");
  Sketch.text(3.8, 2.7, "Schmetterling");
  Sketch.text(6.2, 2.7, "Fisch");
  Sketch.text(8.6, 2.7, "Sonne");

  if (data.length > 0) {
    Sketch.circle(1.4, 1.4, 0.8, {fill:color_gradient(result[0])});
    Sketch.circle(3.8, 1.4, 0.8, {fill:color_gradient(result[1])});
    Sketch.circle(6.2, 1.4, 0.8, {fill:color_gradient(result[2])});
    Sketch.circle(8.6, 1.4, 0.8, {fill:color_gradient(result[3])});
    Sketch.text(1.4, 1.4, result[0].toFixed(2), {fill:"white"});
    Sketch.text(3.8, 1.4, result[1].toFixed(2), {fill:"white"});
    Sketch.text(6.2, 1.4, result[2].toFixed(2), {fill:"white"});
    Sketch.text(8.6, 1.4, result[3].toFixed(2), {fill:"white"});
  };

  Sketch.draw();
};

/*******************************************
                on_click
*******************************************/

function on_click(id) {
  if (id == "clear") {
    data = [];
    result = [0,0,0,0];
    Canvas.clear();
    draw_picture();
    sketch_draw();
  };
  if (id == "evaluate") {
    draw_picture();
    var p = Doodle.data_to_image(data);
    var x = [];
    for (var i = 0; i < 40; i++) for (var j = 0; j < 40; j++) x.push(p[i][j]);
    result = NeuralNetwork.evaluate(x);
    sketch_draw();
  };
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit der Anwendung vertraut, welche ein bereits trainiertes neuronales Netz zur Klassifizierung von Strichzeichnungen in Apfel, Schmetterling, Fisch und Sonne zur Verfügung stellt. Fertige Strichzeichnungen dieser vier Objekte an und werte diese aus.

Protokolliere deine Ergebnisse. Das Klassifikationsergebnis ("es wurde erkannt") ist immer das Objekt, dessen Ausgangsneuron den größten Wert besitzt.