Лабораторная работа, РГР на тему Программирование python (Лаб 3)

Содержание:

Введение:

Заключение:

таким образом, на данной лабораторной работе изучили
нейронные сети прямого распространения сигнала и их применение для задачи
распознавания визуальных образов. Соответствующая программа написана на языке Python и
протестирована в среде Google
Colab,
предназначенной для обучения и удобной для решения совместных задач
программирования. Тренировка сети проводилась на наборе MNIST (цифры в градациях серого), который
является практически стандартом в деле оценки способностей распознавания для
разных видов и архитектур нейросетей. В результате анализа точности результатов
распознавания, выдаваемых сетью, установлено, что:

— изменение числа нейронов единственного слоя
особо не влияет на точность (если конечно менять это число не до очень
маленьких значений);

— наличие дополнительных слоев сети с разным
(также не очень малым) числом нейронов также не влияет на точность;

— величина 
мини- выборки влияет на точность (чем меньше выборка – тем точнее
результаты) в пределах нескольких процентов, что достаточно существенно;

— количество эпох влияет на точность, сначала
значительно, но с увеличением абсолютного числа эпох относительный получаемый
при этом выигрыш в точности становится все меньше.

Созданная сеть с разными оптимальными параметрами не
показала существенного увеличения точности по сравнению со случаем мини-выборки
batch-size=50.

Фрагмент текста работы:

С увеличением числа эпох
обучения от 50 до 100 точность работы сети растет, что соответствует общей
тенденции: больше эпох (на достаточном по объему наборе данных) – лучше
результаты. Для 125 эпох результаты примерно такие же как и для 100, поэтому
далее увеличивать количество эпох не целесообразно. Однако, если формально
следовать заданию, то нужно выбрать оптимальное число эпох равное 125. б. Размер мини-выборки. Оцените влияние размера
мини-выборки на качество обучения сети. Размер задается в аргументе batch_size метода model.fit: