| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Kļūdas funkciju salīdzinājums attēlu klasifikācijas uzdevumiem, izmantojot dziļo mašīnmācīšanos |
| Nosaukums angļu valodā |
Comparison of loss functions for image classification in the Deep Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Katrina Boločko |
| Anotācija |
Bakalaura darbs ir fokusēts zudumu funkciju salīdzināšanai dažādās konfigurācijās trim datu kopām: Fashion MNIST, CIFAR-10 un KMNIST. Zaudējumu funkciju veiktspēja tiek salīdzināta, kad tās tiek pārbaudītas ar dažādām varbūtības sadalījuma funkcijām. Darbā tiek salīdzinātas četras zudumu funkcijas: Kategoriskais šķērsvirziena entropy zudums, KL nobīde, JS nobīde un fokusa zudums (divas konfigurācijas). Ar šīm zuduma funkcijām eksperimentos izmanto trīs varbūtības sadalījuma funkcijas – Softmax, Soft-margin Softmax un Taylor Softmax. Rezultāti liecina, ka konfigurācijas ar kategorijas šķērsvirziena entropy zudumu nodrošina rezultātus ar vislabāko precizitāti. Kaut arī konfigurācijas ar fokusu ar gamma, kas vienāda ar 0,5, ir visātrākās.
Bakalaura darbs sastāv no 67 lappusēm, 41 attēla un 36 uzziņu avotiem. |
| Atslēgas vārdi |
DZIĻA MĀCĪŠANĀS, ZUDUMA FUNKCIJA, ATTĒLU KLASIFIKĀCIJA, NEIRONU TĪKLS, SALĪDZINĀJUMS |
| Atslēgas vārdi angļu valodā |
DEEP LEARNING, LOSS FUNCTION, IMAGE CLASSIFICATION, NEURAL NETWORK, COMPARISON |
| Valoda |
eng |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
29.05.2022 15:52:43 |
