Разработка программного обеспечения для сравнения алгоритмов обучения сверточных нейронных сетей

Аннотация 2
Введение 5
1 Анализ проблемы 7
1.1 Описание нейронных сетей 7
1.2 Архитектура сверточных нейронных сетей 11
1.3 Особенности используемых алгоритмов для обучения сверточных нейронных сетей 15
2 Математический алгоритм 20
2.1 Алгоритм обратного распространения ошибки 20
2.2 Методы оптимизации нейронных сетей 28
2.3 Выбор критериев для сравнения алгоритмов обучения 37
3 Программная реализация 42
3.1 Формирование набора данных 42
3.2 Описание используемых библиотек 44
3.3 Описание структуры используемой нейронной сети и ее процесса ее обучения 46
3.4 Реализация проектного решения с выбранными алгоритмами обучения 50
3.5 Проведение эксперимента и описание результатов тестирования 53
3.6 Оценка эффективности различных алгоритмов 57
Заключение 60
Список используемых источников 61
Приложение А Режим доступа к разработанному программному обеспечению 64
Купить

Серьезный толчок в развитии новых технологий анализа данных про­изошел благодаря тому, что практически во всех сферах жизни довольно зна­чительным стало применение информационных технологий. Стандартные методы прогнозирования, основанные на математических моделях уже не в полной мере удовлетворяют специалистов при создании адаптивных струк­тур, отражающих процессы, протекающие в реальных открытых системах.
В таких условиях получила сильное развитие теория, основанная на принципах работы человеческого мозга с использованием технологий работы нейрона. Искусственная нейронная сеть получает точные знания на базе уже прошедших процессов и продуцирует новые знания с использованием уже имеющихся. Положительные результаты применения искусственных нейронных сетей в экономике и исследовании социальных процессов способ­ствовали созданию новых, более сложных конструкций, называемых сверточными нейронными сетями.
Анализ сигнала в такой сети происходит в несколько уровней: посту­пающий на вход нейрона импульс преобразуется до выхода в нескольких скрытых слоях. Оказалось, что такая сложная система более эффективно ре­шает поставленные задачи.
При этом в процессе «работы» такой сети на последнем этапе, при формировании выходного сигнала могут быть использованы различные оп­тимизационные методы, от которых зависит близость выходного сигнала к реальному результату.
Таким образом, возникает вопрос о необходимости сравнения исполь­зуемых методов, для выбора наиболее эффективного.
Исследованию данный проблемы посвящено множество работ, которые можно разделить по нескольким направлениям. Наиболее популярным явля­ется направление, связанное с применением сверточных нейронных сетей для классификации изображений. Это направление представлено, например, ра­ботами А.А. Воеводы, Д.О. Романникова [1], Е.А. Гузия, В.В. Федоренко [8], Ле Мань Ха [11], Hou B., Luo X., Wang SS., Jiao L., Zhang X. [21].
Целью данной работы является разработка программного обеспечения для сравнения эффективности различных алгоритмов обучения сверточных нейронных сетей.
Таким образом, достичь поставленной в данной работе цели позволит решение следующих задач:
• анализ проблемы, включающий изучение принципов построения сверточных нейронных сетей и особенностей используемых алгоритмов;
• описание сравниваемых алгоритмов обучения;
• выбор критериев для сравнения алгоритмов обучения сверточных нейронных сетей;
• разработка проекта и реализация системы для сравнения алго­ритмов обучения;
• проведение эксперимента и описание результатов тестирования;
• оценка эффективности различных алгоритмов.
Структура работы представлена тремя главами. В первой главе рас­сматриваются сверточные нейронные сети и принципы их построения, а так­же отмечаются особенности используемых методов обучения нейронных се­тей.
Вторая глава посвящена рассматриваемым алгоритмам обучения, в том числе алгоритму обратного распространения ошибки, исследуются метод Адамса и его модификации, проводится выбор критериев для сравнения ал­горитмов обучения.
Третья глава отражает формирование необходимого набора данных, описание используемых библиотек для проработки методов обучения. Реали­зация проектного решения с выбранными алгоритмами обучения также от­мечена в третьей главе, в которой освещены проведение эксперимента и опи­сание результатов тестирования. Результатом третьей главы становится оценка эффективности различных алгоритмов.
Купить