diff --git a/labworks/LW1/.gitignore b/labworks/LW1/.gitignore deleted file mode 100644 index 42061c0..0000000 --- a/labworks/LW1/.gitignore +++ /dev/null @@ -1 +0,0 @@ -README.md \ No newline at end of file diff --git a/labworks/LW1/README.md b/labworks/LW1/README.md deleted file mode 100644 index 05106f0..0000000 --- a/labworks/LW1/README.md +++ /dev/null @@ -1,76 +0,0 @@ -# Лабораторная работа №1
«Архитектура и обучение глубоких нейронных сетей» - -## Цель работы: - -Получить практические навыки создания, обучения и применения искусственных нейронных сетей на примере решения задачи распознавания рукописных цифр. Научиться загружать данные и проводить их предварительную обработку. Научиться оценивать качество работы обученной нейронной сети. Исследовать влияние архитектуры нейронной сети на качество решения задачи. - -## Подготовка к работе: - -Подготовить программную среду для выполнения лабораторной работы. Обеспечить возможность работы в среде Google Colaboratory. Ознакомиться с функционалом данной среды. - -## Задание: - -1. В среде Google Colab создать новый блокнот (notebook). Импортировать необходимые для работы библиотеки и модули. -2. Загрузить набор данных MNIST, содержащий размеченные изображения рукописных цифр. -3. Разбить набор данных на обучающие (train) и тестовые (test) данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрать равным (4k – 1), где k – порядковый номер студента по журналу. Вывести размерности полученных обучающих и тестовых массивов данных. -4. Вывести первые 4 элемента обучающих данных (изображения и метки цифр). -5. Провести предобработку данных: привести обучающие и тестовые данные к формату, пригодному для обучения нейронной сети. Входные данные должны принимать значения от 0 до 1, метки цифр должны быть закодированы по принципу «one-hot encoding». Вывести размерности предобработанных обучающих и тестовых массивов данных. -6. Реализовать модель однослойной нейронной сети и обучить ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывести информацию об архитектуре нейронной сети. Вывести график функции ошибки на обучающих и валидационных данных по эпохам. При реализации модели нейронной сети задать следующую архитектуру и параметры обучения: - + количество скрытых слоев: 0 - + функция активации выходного слоя: softmax - + функция ошибки: categorical_crossentropy - + алгоритм обучения: sgd - + метрика качества: accuracy - + количество эпох: 100 - + доля валидационных данных от обучающих: 0.1 - -7. Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных. -8. Добавить в модель один скрытый и провести обучение и тестирование (повторить п. 6-7) при 100, 300, 500, 1000 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрать наилучшее количество нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid. -9. Добавить в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провести обучение и тестирование (повторить п. 6-7) при 50, 100, 300 нейронах во втором скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid. -10. Результаты исследования архитектуры нейронной сети занести в таблицу: - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Количество скрытых слоевКоличество нейронов в первом скрытом слоеКоличество нейронов во втором скрытом слоеЗначение метрики качества классификации
0--
1100-
300-
500-
2наилучшее из п.850
наилучшее из п.8100
\ No newline at end of file