Veri seti, 3670 adet görüntü ve daisy, dandelion, roses, sunflowers, tulips olmak üzere 5 farklı sınıftan
oluşmaktadır. Daisy sınıfında 633, Dandelion 898, Roses 641, Sunflowers 699 ve Tulips 799 adet
görüntü içermektedir. Sınıflara ait etiketleme işlem yapılarak daisy sınıfına 0, dandelion sınıfına 1,
roses sınıfına 2, sunflowers sınıfına 3 ve tulips sınıfına 4 etiketi verildi.
Veri seti örnekleri aşağıdaki gibidir.
- Sınıflandırma işlemi için CNN modeli oluşturuldu. Birçok Convolutional Katmanı arka arkaya kondu ve her birinden sonra ReLU katmanı eklendi. Ve bundan sonra Pooling katmanları ve Flattening katmanı eklendi . Daha sonra ReLu katmanı kadar Fully Connceted katmanı eklendi.
- Overfitting’i azaltmak için bir teknik olan, bir düzenlenme biçimi olan Dropout katmanı modele eklendi. Dropout'u bir katmana uyguladığınızda, eğitim işlemi sırasında katmandan rastgele bir dizi çıktı birimini (etkinleştirmeyi sıfıra ayarlayarak) çıkarır. Bu işlem ile, katmandan rastgele çıktı birimlerinin % 20'si çıkarıldı.
- Aktivasyon “softmax” dır. Softmax, çıkışın 1’e kadar çıkmasını sağlar, böylece çıkış sinyali olasılık olarak yorumlanabilir. Daha sonra model, hangi seçeneğin en yüksek olasılıklara sahip olduğuna bağlı olarak tahminini yapacaktır.
Özellikleri saptanmak için kullanıldı. Resmin özelliklerini algılamaktan sorumludur. Bu katman, görüntüdeki düşük ve yüksek seviyeli özellikleri çıkarmak için resme bazı fitreler uygular.
Ağırlık sayısını azaltır ve uygunluğu kontrol eder. Bu katmanın görevi, gösterimin kayma boyutunu ve ağ içindeki parametreleri ve hesaplama sayısını azaltmak içindir. Bu sayede ağdaki uyumsuzluk kontrol edilmiş olur. Birçok Pooling işlemleri vardır, bu modelde en popüler olan max pooling kullanıldı.
Bu katman Klasik Sinir Ağı için verileri hazırlar.
işleminden alır ve Sinir ağı yoluyla öğrenme işlemini geçekleştirir.
Model eğitimi için kullanılan veri seti %80-%20 oranında train ve test verisi olarak bölündü ve Epoch sayısı 20 olarak belirlendi.
