Детальная информация

Бельтюков, Роман Константинович. Исследование применимости генеративных нейронных сетей для создания рекуррентно связанных наборов данных [Электронный ресурс]: бакалаврская работа: 02.03.03 / Р. К. Бельтюков; Санкт-Петербургский политехнический университет Петра Великого, Институт компьютерных наук и технологий ; науч. рук. В. Г. Пак. — Электрон. текстовые дан. (1 файл : 0,52 МБ). — Санкт-Петербург, 2017. — Загл. с титул. экрана. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Adobe Acrobat Reader 7.0. — <URL:http://elib.spbstu.ru/dl/2/v17-3800.pdf>. — <URL:http://doi.org/10.18720/SPBPU/2/v17-3800>.

Дата создания записи: 29.09.2017

Тематика: машинное обучение; генеративные соревновательные сети; рекуррентные нейронные сети

Коллекции: Выпускные квалификационные работы; Общая коллекция

Ссылки: DOI

Разрешенные действия: Прочитать Загрузить (0,5 Мб) Для чтения документа необходим Flash Player

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Тема бакалаврской работы относится к задачам машинного обучения «без учителя» в области генерации данных. В ходе работы было проведено исследование применимости вышеуказанного типа нейронных сетей к задачам создания последовательно связанных наборов данных. Была смоделирована архитектура генеративной соревновательной сети и были исследованы принципы ее обучения, после чего была создана ее программная реализация. Реализованная модель была обучена и протестирована, после чего были описаны выводы и предложены рекомендации для реализации данного типа сетей для использования в задачах создания связанных данных.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
-> Интернет Все Прочитать Печать Загрузить

Оглавление

  • ОПРЕДЕЛЕНИЯ
  • ВВЕДЕНИЕ
  • 1 Обзор используемой архитектуры
    • 1.1 Структура генеративной соревновательной нейронной сети
    • 1.2 Обучение генеративных сетей
    • 1.3 Модификации модели и существующие реализации
      • 1.3.1 Conditional GAN
      • 1.3.2 Deep Convolutional GAN
  • 2 Моделирование генеративной сети и подготовка исходных данных
    • 2.1 Выбор и подготовка данных
    • 2.2 Построение модели
      • 2.2.1 Рекуррентные слои
      • 2.2.2 Основная структура модели
      • 2.2.3 Входные и выходные переменные данных
      • 2.2.4 Генератор
      • 2.2.5 Блок операций для выбора между реальными и сгенерированными данными
      • 2.2.6 Дискриминатор
      • 2.2.7 Блок обработки выхода дискриминатора
  • 3 Программная реализация
    • 3.1 Выбор используемого языка реализации и сопутствующих математических пакетов
      • 3.1.1 Python
      • 3.1.2 Tensorflow
      • 3.1.3 Keras
    • 3.2 Подготовка данных
    • 3.3 Основной проект
      • 3.3.1 main.py
      • 3.3.2 config.py
      • 3.3.3 generator.py
      • 3.3.4 discriminator.py
      • 3.3.5 tester.py
      • 3.3.6 trainer.py
  • 4 Обучение и оптимизация нейронной сети
    • 4.1 Изменение количества слоев и нейронов в слое сети
    • 4.2 Label smoothing
    • 4.3 Введение dropout в модель генератора и дискриминатора
    • 4.4 Введение начальной последовательности для предсказания данных
  • 5 Исследование полученных данных
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ 1
  • ПРИЛОЖЕНИЕ 2
  • ПРИЛОЖЕНИЕ 3
  • ПРИЛОЖЕНИЕ 4
  • ПРИЛОЖЕНИЕ 5
  • ПРИЛОЖЕНИЕ 6
  • ПРИЛОЖЕНИЕ 7
  • ПРИЛОЖЕНИЕ 8
  • ПРИЛОЖЕНИЕ 9

Статистика использования документа

stat Количество обращений: 399
За последние 30 дней: 14
Подробная статистика