Sau khi chúng ta đã chuẩn bị dữ liệu và định nghĩa được mô hình mạng CNN sử dụng để phân loại độ tuổi xong tại mục trên. Nhưng trước khi chúng ta đưa dữ liệu vào mô hình để thực hiện huấn luyện chúng ta sẽ áp dụng các kỹ thuật để hỗ trợ mô hình huấn luyện hiệu quả và đưa ra được kết quả phân loại với độ chính xác cao hơn, và trong một số trường hợp để tránh Overfitting dữ liệu huấn luyện. Các kỹ thuật sử dụng gồm có: tăng cường dữ liệu (Data Augmentation) và cân bằng trọng số (Weight balancing).
Tăng cường dữ liệu:
Đầu tiên là khai báo hàm “ImageDataGenerator()” để thực hiện sinh dữ liệu từ tập dữ liệu huấn luyện mà chúng ta dụng. Để sử dụng được hàm này chúng ta phải nhập phương thức từ thư viện “Keras”:
Trong hàm sinh dữ liệu này bao gồm nhiều tham số để thao tác với dữ liệu của chúng ta, nhưng ở đây chúng ta chỉ thực hiện phép quay hình ảnh với số “rotation_rage” bằng 30 tương đương với quay với góc 30 độ, phép dịch chiều ngang “width_shift” 20% và phép dịch chiều dọc “height_shift” 20%.
Cân bằng trọng số:
Chúng ta khai báo một biến “weights” để lưu giá trị trọng số của từng nhãn mà chúng ta thay đổi:
Bước tiếp theo chúng ta sẽ định nghĩa biến và các hàm sử dụng trong quá trình huấn luyện, bao gồm các biến như số vòng chạy huấn luyện mô hình và số batch, hàm lỗi và hàm tối ưu. Đầu tiên chúng ta khai báo biến:
“epoch_num” : Số vòng chạy của mô hình
“batch_size” : Số lượng mẫu dữ liệu trong mỗi batch
Với số vòng chạy “epoch” chúng ta khai báo với 30 vòng và “batch_size” là 64.
Tiếp theo chúng ta khai báo hai hàm sử dụng trong quá trình huấn luyện bằng cách gọi hàm “compile()” với các tham số của hàm là “loss” là hàm lỗi mà chúng ta sử dụng, “optimizer” là hàm tối ưu và “metrics” là độ đo.
Trong mô hình này chúng ta khai báo hàm lỗi là “categorical_crossentropy”, với thuật toán tối ưu sử dụng là “Adam” với tham số “lr” hay “learning rate” bằng 0,0002, và độ đo chúng ta khai báo Accuracy là độ chính xác của mô hình.
Trong thư viện keras chúng ta thực hiện quá trình huấn luyện mô hình bằng phương thức “Fit()”, với các tham số là “x” là dữ liệu huấn luyện, “y” nhãn của dữ liệu huấn luyện, “batch size” số mẫu dữ liệu trong một batch, “epoch” số vòng huấn luyện của mô hình, “validation data” tập dữ liệu kiểm thử và “class weight” là mảng giá trị trọng số. chúng ta có thể thấy cụ thể như sau:
Thực hiện huấn luyện mô hình, quá trình huấn luyện được minh họa với hình ảnh bên dưới (Hình 2.34).
Hình 2.34 Quá trình huấn luyện mô hình
2.6. Kết chương
Trong chương II, Luận văn trình bày giới thiệu về mạng nơ ron tích chập, cấu trúc mạng và các ứng dụng trên thực tế sử dụng mạng nơ ron tích chập. Giới thiệu về bộ dữ liệu sử dụng trong luận văn tiền xử lý dữ liệu và chuẩn bị cho mô hình mạng, sau đó xây dựng một mô hình mạng để giải quyết bài toán phân loại độ tuổi người và thực hiện huấn luyện mô hình. Trong chương tiếp theo tôi sẽ đánh giá kết quả huấn luyện và kiểm chứng của mô hình.
CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM