Please use this identifier to cite or link to this item:
http://earchive.tpu.ru/handle/11683/41028
Title: | Сравнение эффективности архитектур нейронных сетей для решения задачи распознавания изображений |
Authors: | Раднаев, Чингис Батоцыренович |
metadata.dc.contributor.advisor: | Гергет, Ольга Михайловна |
Keywords: | нейронные сети; сверточные сети; гиперпараметры; машинное обучение; многослойный перспетрон; neural networks; hyperparameters; convolutional networks; machine learning; multilayered perceptron |
Issue Date: | 2017 |
Citation: | Раднаев Ч. Б. Сравнение эффективности архитектур нейронных сетей для решения задачи распознавания изображений : бакалаврская работа / Ч. Б. Раднаев ; Национальный исследовательский Томский политехнический университет (ТПУ), Институт кибернетики (ИК), Кафедра программной инженерии (ПИ) ; науч. рук. О. М. Гергет. — Томск, 2017. |
Abstract: | Задача оптимизации гиперпараметров является актуальной в области машинного обучения. Для проведения вычислительных экспериментов рассматривались такие архитектуры нейронных сетей, как многослойный персептрон и сверточная нейронная сеть. Объектом исследования является архитектуры нейронных сетей для распознавания изображений. Целью данной работы является исследование эффективности нейросетевых архитектур для распознавания рукописных символов. В ходе выполнения работы вычислительный эксперимент по нахождению гиперпараметров с применением языка Python и библиотек Keras и Theano. The problem of hyperparameter optymization is actual in machine learning. Providing computer experiment, considered following neural network architectures: multilayered perceptron and convolutional neural network. Software implementation of calculatings is written on Python language using Keras and Theano libraries. |
URI: | http://earchive.tpu.ru/handle/11683/41028 |
Appears in Collections: | Выпускные квалификационные работы (ВКР) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TPU414783.pdf | 2,77 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.