120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ между ними и делает модель более устойчивой к шуму в данных.

      Таким образом, свёрточные нейронные сети являются мощным инструментом для задач компьютерного зрения, позволяя эффективно обрабатывать и классифицировать изображения. Эксперименты с различными архитектурами и методами регуляризации позволяют оптимизировать производительность моделей для конкретных задач и наборов данных, таких как CIFAR-10.

      Код

      ```python

      import tensorflow as tf

      from tensorflow.keras import datasets, layers, models

      import matplotlib.pyplot as plt

      # Загрузка и предобработка данных CIFAR-10

      (train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

      train_images, test_images = train_images / 255.0, test_images / 255.0

      # Создание свёрточной нейронной сети

      model = models.Sequential()

      model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))

      model.add(layers.MaxPooling2D((2, 2)))

      model.add(layers.Conv2D(64, (3, 3), activation='relu'))

      model.add(layers.MaxPooling2D((2, 2)))

      model.add(layers.Conv2D(64, (3, 3), activation='relu'))

      model.add(layers.Flatten())

      model.add(layers.Dense(64, activation='relu'))

      model.add(layers.Dense(10, activation='softmax'))

      # Компиляция модели

      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 СКАЧАТЬ