магистрант
Сверточные нейронные сети произвели революцию в компьютерном зрении и распознавании образов. Их используют для распознавания речи, генерирования различных образов, обработки аудиосигналов, обработки временных рядов, для анализа смысла текстов. Разрабатывается все более сложная и глубокая архитектура нейронных сетей, наряду с несомненными преимуществами общих проблем этого подхода существуют некие недостатки. Одним из них выступает скрытый внутренний принцип нейронной сети. Правильно обученная сеть не предоставляет исследователям информацию о выявленных зависимостях данных и структуре проблемы. Обученная нейронная сеть представляет собой набор весовых матриц. С этой точки зрения нейронные сети являются лишь инструментом для решения конкретной проблемы машинного обучения, но они не предоставляют экспертам аналитическую информацию для изучения проблемы. Как давно известно, принцип работы нейронной сети был взят из принципа работы нейронов в нашем мозгу. Внутрь мозга мы научились заглядывать посредством УЗИ, ПЭТ, МРТ и фМРТ. А для сверточных нейронных сетей будут использоваться такие показатели как точность и для визуализации тепловые карты. Цель работы – выяснить влияние тренировочного датасета на точность нейронной сети, и какое количество данных в значительной степени изменит устойчивость нейронной сети. В первую очередь были подобраны гиперпараметрами: скорость обучения, размер партии и количество эпох, а также размер изображений. Затем были проведены ряд тренировок с использованием оригинальных данных и лишь потом добавляли изображения, которые прошли предобработку. Как показали результаты работы датасет, в котором содержится примерно 15% предобработанных данных, положительно сказывается на точности модели. При использовании большего количества данных не было выявлено значительного увеличения точности
Convolutional neural networks have revolutionized computer vision and pattern recognition. They are used to recognize speech, generate various images, process audio signals, process time series, and analyze the meaning of texts. An increasingly complex and deep architecture of neural networks is being developed, along with the undoubted advantages of the common problems of this approach, there are some disadvantages. One of them is the hidden internal principle of the neural network. A properly trained network does not provide researchers with information about identified data dependencies and the structure of the problem. A trained neural network is a set of weight matrices. From this point of view, neural networks are only a tool for solving a specific machine learning problem, but they do not provide experts with analytical information to study the problem. As has long been known, the principle of neural network operation was taken from the principle of neurons in our brain. Inside the brain, we learned to look through ultrasound, PET, MRI and fMRI. And for convolutional neural networks, such indicators as accuracy, precision and heat maps will be used for visualization. The purpose of the work is to find out the effect of a training dataset on the accuracy of a neural network. And how much data will significantly change the stability of the neural network. First of all, they were selected by hyperparameters: learning speed, batch size and number of eras, as well as image size. Then a series of trainings were carried out using the original data, and only then were the images that had been pre-processed added. As the results of the work showed, the dataset, which contains about 15% of the pre-processed data, has a positive effect on the accuracy of the model. When using more data, there was no significant increase in accuracy.
The authors declare that there are no conflicts of interest present.