зам. директора
студент
студент
Изучается возможность повышения эффективности обучения нейронной сети, распознающей изображения. Конфигурация сети сделана так, чтобы все обучающие примеры были распознаны. Используется единый критерий качества образования. АлгоритмЛевенберга-Марквардта был выбран в качестве алгоритма для обучения нейронной сети, а байесовская регуляризация была применена для улучшения алгоритма Левенберга-Марквардта и его лучшего использованиядля практических задач. В экспериментальной части мы улучшаем качество модифицированного алгоритма LM, используя байесовскую регуляризацию, и определяем соответствующее количество скрытых слоев, чтобы предотвратить переоснащение. Рассмотренные алгоритмы позволяют не только ускорить процесс обучения, но и сократить количество корректировок параметров нейронной сети. Последнее свойство важно при распараллеливании процесса обучения на кластерных вычислительных системах.
The possibility of increasing the efficiency of learning of the neural network that recognizes images is being investigated. Network configuration is made so that all learning examples are recognized. Uses a uniform criterionfor the quality of education. Levenberg-Marquardt algorithm has been chosen as an algorithm to teach the neural network, and Bayesian regularization was applied to improve Levenberg-Marquardt algorithm and make it better usable for practical tasks. In the experimental part, we improve quality of the modified LM algorithm using Bayesian regularization and determine appropriate number of hidden layers to prevent overfitting. The considered algorithms allow not only to speed up the learning process, but also to reduce the number of adjustments of the neural network parameters. The latter property is important when parallelizing the learning process on cluster computing systems.
The authors declare that there are no conflicts of interest present.