Готовые отчеты (2021) / Лабораторная работа 6
.pdfФедеральное агентство связи ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ
ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ ИМ. ПРОФ. М. А. БОНЧ-БРУЕВИЧА» (СПбГУТ)
Факультет инфокоммуникационных сетей и систем Кафедра программной инженерии и вычислительной техники
ЛАБОРАТОРНАЯ РАБОТА №6 по дисциплине «Системы искусственного интеллекта»
Выполнил: студент 3-го курса дневного отделения группы ИКПИ-85
Коваленко Леонид Александрович Преподаватель:
доцент кафедры ПИиВТ Белая Татьяна Иоанновна
Санкт-Петербург
2021
Цель работы Реализация алгоритмов распознавания образов с помощью нейронных
сетей на языке программирования и изучение их свойств.
Задание
1.Изучить устройство и работу однослойной, двухслойной нейронных сетей, сети встречного распространения.
2.Выбрать исходный алфавит классов (цифры, буквы русского алфавита, буквы английского алфавита, буквы греческого алфавита, знаки препинания и арифметические символы, радиоэлементы, геометрические фигуры, узоры, дорожные знаки, топологические элементы, картографические обозначения) по согласованию с преподавателем.
3.Составить программу, реализующую однослойную, двухслойную нейронные сети и сеть встречного распространения для задачи распознавания.
4.Программа должна позволять просматривать изображения (с возможностью сохранения), классы, к которым они принадлежат, и результаты классификации; импортировать и экспортировать внутренние данные нейронной сети (для последующего использования) в файл определенного формата.
5.Испытать программу для различных входных данных и настроек.
6.Произвести оценку качества распознавания для различных случаев, систематизировать полученные результаты в таблицы. Построить графики выявленных зависимостей, сделать выводы.
Ход работы
Нейронные сети:
1.Однослойная нейронная сеть с использованием метода обратного распространения ошибки («one-layer perceptron with backpropagation», рис. 1).
2.Двухслойная нейронная сеть с использованием метода обратного распространения ошибки («two-layer perceptron with backpropagation», рис. 2).
2
3. Нейронная сеть встречного распространения с двумя скрытыми слоями — Кохонена и Гроссберга («counter-propagation network»).
Рисунок 1 — Однослойная нейронная сеть с использованием метода обратного распространения ошибки для распознавания изображения размером 28x28 пикселей
Рисунок 2 — Двухслойная нейронная сеть с использованием метода обратного распространения ошибки для распознавания изображения размером 28x28 пикселей
Есть 2 целевых параметра проверки работы нейронной сети:
1.Точность (англ. «Accuracy»), равная результату деления числа правильных ответов на общее число ответов. 100% — самая высокая точность. Разделяют точность на обучающей выборке и точность на проверочной выборке (последняя имеет бо́льшее значение).
2.Ошибка (англ. «Error»). Может быть разной — среднеквадратическая ошибка (англ. «Mean Squared Error»), средняя абсолютная ошибка и т. д.
3
Далее перечислены выбранные наборы данных.
1. Набор данных MNIST — образцы рукописного написания цифр. Изображения размера 28×28 пикселей. 60.000 изображений для обучения, 10.000 изображений для тестирования (табл. 1-2). 10 цифр — 10 классов.
Таблица 1 — MNIST, число образцов по классам для обучения
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
5923 |
6742 |
5958 |
6131 |
5842 |
5421 |
5918 |
6265 |
5851 |
5949 |
Таблица 2 — MNIST, число образцов по классам для тестирования
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
980 |
1135 |
1032 |
1010 |
982 |
892 |
958 |
1028 |
974 |
1009 |
Примеры результатов представлены на сайте (рис. 3-4): https://paperswithcode.com/sota/image-classification-on-mnist
Рисунок 3 — Примеры результатов классификации MNIST (1)
Рисунок 4 — Примеры результатов классификации MNIST (2)
4
2. Набор данных EMNIST Digits — более расширенная версия MNIST. Изображения размера 28×28 пикселей. 240.000 изображений для обучения, 40.000 изображений для тестирования (табл. 3-4). 10 цифр — 10 классов.
Таблица 3 — EMNIST Digits, число образцов по классам для обучения
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
24000 |
24000 |
24000 |
24000 |
24000 |
24000 |
24000 |
24000 |
24000 |
24000 |
Таблица 4 — EMNIST Digits, число образцов по классам для тестирования
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
4000 |
4000 |
4000 |
4000 |
4000 |
4000 |
4000 |
4000 |
4000 |
4000 |
Примеры результатов представлены на сайте (рис. 5): https://paperswithcode.com/sota/image-classification-on-emnist-digits
Рисунок 5 — Примеры результатов классификации EMNIST Digits
5
3. Набор данных EMNIST Letters — образцы рукописного написания букв английского алфавита (верхний и нижний регистры считаются за одну букву алфавита). Изображения размера 28×28 пикселей. 124.800 изображений для обучения, 20.800 изображений для тестирования (табл. 5-6). 26 букв английского алфавита — 26 классов.
Таблица 5 — EMNIST Letters, число образцов по классам для обучения
a |
b |
c |
d |
e |
f |
g |
h |
i |
j |
k |
l |
m |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
o |
p |
q |
r |
s |
t |
u |
v |
w |
x |
y |
z |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
4800 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 6 — EMNIST Letters, число образцов по классам для тестирования
a |
b |
c |
d |
e |
f |
g |
h |
i |
j |
k |
l |
m |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
o |
p |
q |
r |
s |
t |
u |
v |
w |
x |
y |
z |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
800 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Примеры результатов представлены на сайте (рис. 6): https://paperswithcode.com/sota/image-classification-on-emnist-letters
Рисунок 6 — Примеры результатов классификации EMNIST Letters
6
4. Набор данных EMNIST Balanced — образцы рукописного написания цифр и букв английского алфавита. Изображения размера 28×28 пикселей. 112.800 изображений для обучения, 18.800 изображений для тестирования (табл. 7-8). 10 цифр и 37 букв — 47 классов.
Таблица 7 — EMNIST Balanced, число образцов по классам для обучения
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
|
|
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
b |
c |
D/d |
e |
f |
g |
h |
I/i |
J/j |
K/k |
L/l |
M/m |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
O/o |
P/p |
q |
r |
S/s |
t |
U/u |
V/v |
W/w |
X/x |
Y/y |
Z/z |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
A |
B |
C |
E |
F |
G |
H |
N |
Q |
R |
T |
|
|
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
2400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 8 — EMNIST Balanced, число образцов по классам для тестирования
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
|
|
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a |
b |
c |
D/d |
e |
f |
g |
h |
I/i |
J/j |
K/k |
L/l |
M/m |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
O/o |
P/p |
q |
r |
S/s |
t |
U/u |
V/v |
W/w |
X/x |
Y/y |
Z/z |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
A |
B |
C |
E |
F |
G |
H |
N |
Q |
R |
T |
|
|
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
400 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Примеры результатов представлены на сайте (рис. 7): https://paperswithcode.com/sota/image-classification-on-emnist-balanced
Рисунок 7 — Примеры результатов классификации EMNIST Balanced
7
5. Набор данных «Sonar» — данные о сигналах сонара, отражающихся от металлического цилиндра (минерала — Mine) и грубо цилиндрической породы (камень — Rock) под разными углами и в различных условиях. Данные с 60 атрибутами. 208 образцов, разделение на обучающую и тестовую выборки отсутствует (табл. 9). 2 класса — «M» и «R».
Таблица 9 — «Sonar», число образцов по классам
M |
R |
111 |
97 |
|
|
Примеры результатов представлены на сайте (рис. 8): https://paperswithcode.com/sota/feature-selection-on-sonar
Рисунок 8 — Примеры результатов Sonar
6. Набор данных «Wine» — характеристики вин (вино — алкогольная жидкость, относящаяся к сильно действующим наркотикам). Данные с 13 атрибутами. 178 образцов, разделение на обучающую и тестовую выборки отсутствует (табл. 10). 3 безымянных класса.
Таблица 10 — «Wine», число образцов по классам
Class 1 |
Class 2 |
Class 3 |
59 |
71 |
48 |
|
|
|
Примеры результатов представлены на сайте (рис. 9): https://paperswithcode.com/sota/feature-selection-on-wine
Рисунок 9 — Примеры результатов Wine
8
Внешний вид разработанной программы.
На рисунке 10 продемонстрирован процесс создания однослойного персептрона в программе, а на рисунке 11 — процесс обучения этой сети.
Рисунок 10 — Процесс создания однослойного персептрона для набора данных MNIST
Рисунок 11 — Процесс обучения однослойного персептрона для набора данных MNIST
9
На рисунке 12 продемонстрирован процесс создания двухслойного персептрона в программе, а на рисунке 13 — процесс обучения этой сети.
Рисунок 12 — Процесс создания двухслойного персептрона для набора данных MNIST
Рисунок 13 — Процесс обучения двухслойного персептрона для набора данных MNIST
10