From 3b3cf60fd1397d26f3ec0a3f2157d20567f63caf Mon Sep 17 00:00:00 2001 From: AnikeevAnA Date: Sat, 15 Nov 2025 12:39:21 +0000 Subject: [PATCH] =?UTF-8?q?=D0=98=D0=B7=D0=BC=D0=B5=D0=BD=D0=B8=D0=BB(?= =?UTF-8?q?=D0=B0)=20=D0=BD=D0=B0=20'labworks/LW3/report.md'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- labworks/LW3/report.md | 20 ++++++++++++++++---- 1 file changed, 16 insertions(+), 4 deletions(-) diff --git a/labworks/LW3/report.md b/labworks/LW3/report.md index 1bb0ae4..e5114cb 100644 --- a/labworks/LW3/report.md +++ b/labworks/LW3/report.md @@ -342,13 +342,25 @@ Accuracy on test data (FC model): 0.9442999958992004 ### Пункт №11. Сравнение обученной модели сверточной сети и наилучшей модели полносвязной сети из лабораторной работы №1. -```python - +**Сравнение моделей:** ``` +Количество настраиваемых параметров в сети: +Сверточная сеть: 34 826 параметров. +Полносвязная сеть: 79 512 параметров. +При том что число параметров сверточной сети меньше в 2 раза, она показывает более высокие результаты. Это связано с более эффективным использовании весов за счёт свёрток и фильтров. -**Результат выполнения:** -``` +Количество эпох обучения: +Сверточная сеть обучалась 15 эпох. +Полносвязная сеть обучалась 100 эпох. +Cверточная модель достигает лучшего результата при меньшем количестве эпох, то есть сходится быстрее и обучается эффективнее. + +Качество классификации тестовой выборки: +Сверточная сеть: Accuracy ≈ 0.988, loss ≈ 0.042. +Полносвязная сеть: Accuracy ≈ 0.944, loss ≈ 0.197. +Сверточная нейросеть точнее на 4,5 процента, при этом её ошибка почти в 5 раз меньше. +Вывод: +Использование сверточной нейронной сети для распознавания изображений даёт ощутимо лучший результат по сравнению с полносвязной моделью. CNN требует меньше параметров, быстрее обучается и точнее распознаёт изображения, поскольку учитывает их структуру и выделяет важные визуальные особенности. ``` ## ЗАДАНИЕ 2