File size: 4,375 Bytes
f83adab ed8e080 f83adab ed8e080 4081bf3 ed8e080 96f5461 ed8e080 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 |
---
license: gpl-2.0
---
[](https://huggingface.co/Innokentiy)
# FlowerNet
## Нейросеть для многоклассовой классификации цветов.
## Введение
Цель данной работы заключается в разработке нейронной сети для многоклассовой классификации, обладающей **высокой устойчивостью** к переобучению.
## Набор данных (Dataset)
Для решения задачи многоклассовой классификации цветов, я использовал набор данных tf_flowers из tensorflow.
Набор имеет 5 классов цветов: 'Одуванчик', 'Ромашка', 'Тюльпаны', 'Подсолнухи' и 'Розы'. Поэтому на конечном слое Dense 5 нейронов. Теперь про выборки. Я разбил набор данных на три выборки: от 0 до 80% - тренировочная, от 80% до 90% - проверочная(валидационная) и от 90% до 100% - тестовая.
## Архитектура сети
К качестве архитектуры я использовал xception. Схема архитектуры получилась большая, поэтому я решил не вставлять ей сюда, а загрузить в файлы проекта.
Нейронная сеть предназначена для работы на тензорных процессорах (TPU), это позволяет повысить количество эпох и мощность.
## Оптимизатор и функция потерь
Моей целью было создать крепкую нейронную сеть, которая обладала бы высокой устойчивостью к переобучению.
И тут начинается настройка.
Если использовать оптимизатор Adam, который я использовал ранее, то точность будет 90%, но при этом будет переобучение. Поэтому я решил зайти с другого бока, и использовать оптимизатор Adagrad(Adaptive Gradient) - его точность на 10 эпохе была 40%, но чем больше эпох, тем лучше его точность, и при этом точность проверочной выборки будет всегда выше чем тренировочной, и переобучения не будет. В качестве функции потерь я использую SparseCategoricalCrossentropy, так как именно её нужно использовать на TPU моделях. Так как модель моя модель использует тензорный процессор и быстро проходит эпохи, я решил увеличить количество эпох до тысячи. Adagrad начал с 40%, постепенно его точность увеличивалась, и в конечном итоге я получил точность 89.65% на проверочных данных и 0.87% на тестовых. При этом на графике можно увидеть, что модель не подвергается переобучению.
## Результат
Задача выполнена. Я создал модель которая имеет устойчивую защиту от переобучения и хорошую точность 87%.
В файлах проекта модель называется FlowerNet.h5
Страница на github: https://github.com/laf3r/FlowerNet
>Программа предоставляется в виде открытого исходного кода.
|