| Anotācija |
ANOTĀCIJA
HIPERPARAMETRU KONVOLŪCIJAS NEIRONU TĪKLA VEIKTSPĒJAS
EMPĪRISKS NOVĒRTĒJUMS
Mašīnmācīšanās ir, guvusi ievērojamu progresu dažādās jomās, piemēram, datorredze
(uztvere), dabiskā valodas apstrāde un runas atpazīšana, tā ir ietekmējusi daudzas mūsu dzīves
jomas. Neironu tīkli ir mašīnmācīšanās nozare, kurai par piemēru kalpo cilvēka smadzeņu
darbība, kas sniedz iespēju datoru pašmācības attīstīšanai. Konvolūcijas neironu tīkls ir neironu
tīklu apakštips. Tas ir uzrādījis lieliskus rezultātus datoru uztverē, jo īpaši attēlu klasifikācijā
un objektu noteikšanā. CNN ir divu veidu parametri, kas nosaka CNN arhitektūru un mācīšanās
uzvedību, t. i., CNN veiktspēja. Šo hiperparametru optimālo vērtību atrašana prasa ne tikai
augstu ekspertīzi (pieredzi un prasmes), bet arī daudz laika. Tāpēc ir veikti vairāki pētījumi, lai
atrastu labākās CNN hiperparametru vērtības. Turklāt, zinot optimālās hiperparametru vērtības
un saistību starp šīm vērtībām un svarīgākajiem hiperparametriem, ar mazāku piepūli iespējams
sasniegt labāku veiktspēju. Šajā pētījumā dažādas mācīšanās hiperparametru vērtības tika
eksperimentāli novērtētas individuāli un kombinācijās, lai atrastu visefektīvākos
hiperparametrus un labāko šo hiperparametru kombināciju. Izpētes procesā tika veikti 84
eksperimenti ar diviem CNN, AlexNet un VGG-16, izmantojot vienu no visbiežāk
izmantotajām datu kopām attēlu klasifikācijā. Rezultāti parādīja pašmācības (apmācības)
līmeņa lielo ietekmi un spēcīgu korelāciju starp to un izvēles lielumu. Arī citu hiperparametru
ietekme uz tīkla veiktspēju bija līdzīga. Tika izstrādātas pamatnostādnes par labāko praksi
hiperparametru atlasē.
Darbs satur 105 lappuses, 55 attēlus (neieskaitot pielikumus), 15 tabulas, 68 atsauces
un 2 pielikumus. |
