is_dnn/labworks/LW1

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 слоев	Количество нейронов в первом скрытом слое	Количество нейронов во втором скрытом слое	Значение метрики качества классификации
0	-	-
1	100
	300
	500
2	наилучшее из п.8	50
	наилучшее из п.8	100