120 практических задач - стр. 5

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

# Обучение модели

history = model.fit(train_images, train_labels, epochs=10,

validation_data=(test_images, test_labels))

# Оценка модели

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)

print(f"Точность на тестовых данных: {test_acc}")

# Визуализация точности и потерь во время обучения

plt.plot(history.history['accuracy'], label='accuracy')

plt.plot(history.history['val_accuracy'], label = 'val_accuracy')

plt.xlabel('Epoch')

plt.ylabel('Accuracy')

plt.ylim([0, 1])

plt.legend(loc='lower right')

plt.show()

```

Этот код создает простую свёрточную нейронную сеть для классификации изображений из набора данных CIFAR-10. Вы можете изменить архитектуру модели, параметры обучения и другие аспекты для улучшения производительности.

Простая свёрточная нейронная сеть (CNN) для распознавания изображений из набора CIFAR-10 состоит из нескольких ключевых компонентов:

1. Свёрточные слои (Convolutional Layers):

– Цель: Используются для извлечения признаков из входных изображений. Каждый свёрточный слой применяет набор фильтров (или ядер), которые скользят по входным данным и создают карты признаков, выделяя важные аспекты изображения, такие как края, текстуры и формы.

– Особенности: Фильтры в свёрточных слоях обучаются в процессе обучения сети, чтобы оптимально отвечать на определённые признаки.

2. Пулинговые слои (Pooling Layers):

– Цель: Уменьшают пространственные размерности карт признаков, удаляя избыточную информацию и улучшая вычислительную эффективность.

– Особенности: Наиболее распространены MaxPooling, который выбирает максимальное значение из каждой области, и AveragePooling, который вычисляет среднее значение.

3. Полносвязные слои (Fully Connected Layers):

– Цель: Используются для классификации извлечённых признаков. Каждый нейрон полносвязного слоя связан со всеми нейронами предыдущего слоя, что позволяет модели делать выводы на основе объединённых признаков.

– Особенности: Полносвязные слои обычно располагаются в конце сети после свёрточных и пулинговых слоёв.

4. Функции активации:

– Цель: Введение нелинейности в модель. Применяются после каждого свёрточного и полносвязного слоя для того, чтобы модель могла учиться сложным зависимостям в данных.

– Особенности: Распространённые функции активации включают ReLU (Rectified Linear Unit), которая преобразует отрицательные значения в ноль, и softmax для последнего слоя, который представляет вероятности принадлежности к различным классам.

5. Компиляция и обучение модели:

– Цель: Определение параметров обучения, таких как оптимизаторы, функции потерь и метрики для оценки производительности модели.

– Особенности: Оптимизаторы, такие как Adam или SGD, используются для минимизации функции потерь, а метрики, такие как точность, используются для измерения эффективности модели на тестовых данных.

Свёрточные нейронные сети являются основой для решения задач компьютерного зрения, обеспечивая эффективное извлечение и классификацию признаков из изображений. Эффективность этих сетей подтверждается их успешным применением в широком спектре приложений, от распознавания объектов до автоматического описание изображений.