Тема данной работы – Автоматизированная генерация стиля Web-страницы на базе эскизного изображения. Целью работы является исследование возможности автоматизированной генерации стиля web-страницы при помощи нейронной сети. Объектом работы является свёрточная нейронная сеть. Предметом работы является автогенерация стиля Web-страницы при помощи нейронных сетей. В ходе работы были изучены существующие методы создания web-страниц при помощи нейросетей. Также был рассмотрена актуальность данной работы в научной среде. Был выбран опорный метод для создания собственного подхода, определён тип нейронной сети. В ходе работы был разработан собственный подход, основанный на применении свёрточной нейронной сети. Была организована структура нейронной сети. В ходе исследования был подготовлена обучающая выборка. На основе промежуточных данных был сформирован декодер выходных данных нейронной сети. Работа по обучению нейронной сети производилась в программной среде PyCharm 3.8 для языка Python. Для подключения аппаратного ускорения была применена библиотека tensorflow, позволяющая распараллеливать вычислительные процессы. Полученные в результате работы алгоритмы позволяют добиться устойчивого снижения величины ошибки обучения.

The topic of this work is auto generation of Web-page style based on a thumbnail image. The goal of the work is to study the possibility of automated generation of a web page style using a neural network. The object of work is a convolutional neural network. The subject of work is the auto-generation of the Web-page style using neural networks. In the course of work, the existing methods of creating web pages using neural networks were studied. The relevance of this work in the scientific environment was also considered. A reference method was chosen to create our own approach and to determine the type of neural network. In the course of work, we developed our own approach based on the use of a convolutional neural network. As a part of the study, the structure of the neural network was organized. During the study, a training sample was prepared. In the process of work, a decoder of the output data of the neural network was formed. The work on training the neural network was carried out in the PyCharm 3.8 software environment for the Python. To connect hardware acceleration, the Tensorflow library was used, which allowed parallelizing computational processes. The algorithms obtained as a result of the work made it possible to achieve a stable reduction in the value of the learning error.