SII_1_LABA
.docxМинистерство цифрового развития, связи и массовых коммуникаций РФ. Ордена Трудового Красного Знамени федеральное государственное бюджетное
образовательное учреждение высшего образования
«Московский технический университет связи и информатики» Факультет РиТ
Кафедра РТС
Лабораторная работа №1
Выполнили студенты
Группы БРА2001
Самуилов О.С
Епифанов Г.Ю.
Проверил:
Чиров Д.С.
Москва 2023
Цель работы:
Выполнение:
Для количества слоев – 2
Количество эпох – 4
Количество эпох – 6
Количество эпох – 8
Количество эпох – 10
Количество эпох – 12
Количество эпох – 14
Количество эпох – 16
Количество эпох – 100
Для количества слоев – 4
Количество эпох – 4
Количество эпох – 6
Количество эпох – 8
Количество эпох – 10
Количество эпох – 12
Количество эпох – 14
Количество эпох – 16
Количество эпох – 100
Вывод:
Вывод к двухслойному: В начале обучения нейронная сеть может иметь низкую точность распознавания, так как веса и параметры модели инициализированы случайным образом. По мере прохождения эпох обучения, сеть постепенно улучшает свои предсказательные способности и точность распознавания объектов.
Вывод к четырехслойному: Количество нейронов в многослойном перцептроне может оказывать влияние на количество необходимых эпох обучения. Общая тенденция состоит в том, что с увеличением количества нейронов может потребоваться больше эпох для достижения оптимальной точности распознавания. Большее количество нейронов может увеличить сложность модели и ее способность к аппроксимации сложных функций. Это может позволить модели более точно предсказывать тренировочные данные и достигать высокой точности на них. Однако, такая модель может быть более склонна к переобучению и иметь слабую способность обобщения на новые данные.