Лабораторная работа, РГР на тему Программирование python (Лаб 4)
-
Оформление работы
-
Список литературы по ГОСТу
-
Соответствие методическим рекомендациям
-
И еще 16 требований ГОСТа,которые мы проверили
Введи почту и скачай архив со всеми файлами
Ссылку для скачивания пришлем
на указанный адрес электронной почты
Содержание:
Введение:
Заключение:
таким
образом, на лабораторной работе изучили сверточные (конволюционные) нейронные
сети, применяемые для распознавания достаточно сложных (цветных) изображений.
Сеть реализована на языке Python
в
среде Google
Colab и
работает на основе известного дата-сета CIFAR-10. Результаты работы показали, что
с увеличением числа эпох от 25 и выше точность увеличивается незначительно (на
величину порядка процента), а время растет в разы, поэтому применять при
обучении число эпох больше 25 нецелесообразно. Размер мини-выборки практически
не влияет на точность выводов сети.
Фрагмент текста работы:
.
Ознакомились с содержимым файла Лекция
4. Обзор глубоких НС.ppt.
2.
Ознакомились с содержимым файла NumPy.pdf.
3.
Рассмотрели пример ноутбука Colab
для создания свёрточной нейронной сети и распознавания объектов на изображении.
https://colab.research.google.com/drive/1L7gKS3u6cDHMyrBAqBOLratiB9HfgGWA 4. Изучили набор данных CIFAR-10 по ссылке https://en.wikipedia.org/wiki/CIFAR-10
Это
набор цветных изображений размером 32х32 пикселя, на которых изображены объекты
10 классов: корабли, грузовики, лягушки, кони, коты, собаки, птицы, самолеты,
легковые авто, олени. Является практически стандартом для оценки эффективности
глубоких нейронных сетей, применяемых для задач распознавания визуальных
образов.
5.
Создали на языке Python нейронную
сеть для решения задачи классификации.
