From 24f2b51eca1b19c1d2513824c45dcd68a0a1da09 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Pawe=C5=82=20Sk=C3=B3rzewski?= Date: Wed, 2 Jun 2021 08:10:47 +0200 Subject: [PATCH] =?UTF-8?q?Usuni=C4=99cie=20nieaktualnych=20materia=C5=82?= =?UTF-8?q?=C3=B3w=20(lab.=2011)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- lab/11_Wielowarstwowe_sieci_neuronowe.ipynb | 60 --------------------- 1 file changed, 60 deletions(-) delete mode 100644 lab/11_Wielowarstwowe_sieci_neuronowe.ipynb diff --git a/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb b/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb deleted file mode 100644 index 427980d..0000000 --- a/lab/11_Wielowarstwowe_sieci_neuronowe.ipynb +++ /dev/null @@ -1,60 +0,0 @@ -{ - "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 -}