61 lines
2.8 KiB
Plaintext
61 lines
2.8 KiB
Plaintext
|
{
|
||
|
|
"cells": [
|
||
|
|
{
|
||
|
|
"cell_type": "markdown",
|
||
|
|
"metadata": {},
|
||
|
|
"source": [
|
||
|
|
"## Wielowarstwowe sieci neuronowe\n",
|
||
|
|
"\n",
|
||
|
|
"[Keras](https://keras.io/) to zaawansowany pakiet do tworzenia sieci neuronowych w języku Python.\n",
|
||
|
|
"Na komputerach wydziałowych powinien być zainstalowany.\n",
|
||
|
|
"Na własnych komputerach pod Linuxem można go zainstalować poleceniem: `sudo pip install keras`.\n",
|
||
|
|
"\n",
|
||
|
|
"**Uwaga:** pierwsze uruchomienie zazwyczaj trwa jakiś czas, ponieważ pod spodem model kompiluje się jako aplikacja w C++. \n",
|
||
|
|
"\n",
|
||
|
|
"#### 1. Iris dataset\n",
|
||
|
|
"\n",
|
||
|
|
"Korzystając z [oficjalnej dokumentacji](http://keras.io) oraz materiałów szkoleniowych znalezionych w internecie (np. [machinelearningmastery.com](http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/)), zbuduj (co najmniej) dwuwarstwową sieć neuronową do klasyfkacji _Iris dataset_. Opisz stworzony model: architekturę sieci, jej rozmiar, zastosowane funkcje aktywacji, funkcję kosztu, wersję GD, metodę regularyzacji. Podaj wynik ewaluacji na zbiorze testowym.\n",
|
||
|
|
"\n",
|
||
|
|
"#### 2. MNIST\n",
|
||
|
|
"\n",
|
||
|
|
"Uruchom przykład `mnist_mlp.py` z [katalogu oficjalnych przykładów]( https://github.com/fchollet/keras/tree/master/examples) (warto ew. zmienić liczbę epok do 5). Posiłkując się dokumentacją, przeanalizuj kod i opisz:\n",
|
||
|
|
"\n",
|
||
|
|
"* Do jakiej postaci sprowadzane są dane `Y_train` i `Y_test`?\n",
|
||
|
|
"* Przedstaw wzór matematyczny na zastosowaną funkcję błędu.\n",
|
||
|
|
"* Jaka jest architektura sieci neuronowej? Ile ma warstw, jakie są rozmiary macierzy warstw? Czy można uzyskać dostęp do tych wag?\n",
|
||
|
|
"* Jakie funkcje aktywacji użyto? Podaj ich wzory.\n",
|
||
|
|
"* Czym jest `Dropout`? Czemu służy? Jakie znaczenie ma parametr?\n",
|
||
|
|
"\n",
|
||
|
|
"Zmodyfikuj model z przykładu `mnist_mlp.py` i wykonaj:\n",
|
||
|
|
"\n",
|
||
|
|
"* Usuń warstwy `Dropout`, jaki jest efekt?\n",
|
||
|
|
"* Stwórz 6-cio warstwowy model o rozmiarach warstw 2500, 2000, 1500, 1000, 500 oraz 10 bez `Dropout`, użyj wszędzie funkcji aktywacji `tanh` z wyjątkiem ostatniej warstwy, gdzie należy użyć `softmax`. Trenuj model przez 10 epok.\n",
|
||
|
|
"* Dodaj warstwy `Dropout`, porównaj jakość po 10 epokach, krótko opisz wnioski.\n",
|
||
|
|
"* Zamiast `RMSprop` użyj algorytm `Adagrad`, porównaj jakość, krótko opisz wnioski. "
|
||
|
|
]
|
||
|
|
}
|
||
|
|
],
|
||
|
|
"metadata": {
|
||
|
|
"hide_input": false,
|
||
|
|
"kernelspec": {
|
||
|
|
"display_name": "Python 3",
|
||
|
|
"language": "python",
|
||
|
|
"name": "python3"
|
||
|
|
},
|
||
|
|
"language_info": {
|
||
|
|
"codemirror_mode": {
|
||
|
|
"name": "ipython",
|
||
|
|
"version": 3
|
||
|
|
},
|
||
|
|
"file_extension": ".py",
|
||
|
|
"mimetype": "text/x-python",
|
||
|
|
"name": "python",
|
||
|
|
"nbconvert_exporter": "python",
|
||
|
|
"pygments_lexer": "ipython3",
|
||
|
|
"version": "3.8.3"
|
||
|
|
}
|
||
|
|
},
|
||
|
|
"nbformat": 4,
|
||
|
|
"nbformat_minor": 4
|
||
|
|
}
|