Пояснительная

Реализация системы

Система реализована на языке Python, с использованием среды раз- работки Google colab.
Для работы с нейронной сетью использовалась открытая программ- ная библиотека для машинного обучения, решения задач построения и тренировки нейронной сети с целью автоматического нахождения и клас- сификации образов Tensorflow 1.x. Использовалась библиотека matplotlib - библиотека на языке программирования Python для визуализации данных двумерной графикой.
Для математических вычислений и работы с матрицами мы использо- вали Numpy - библиотеку с открытым исходным кодом для языка програм- мирования Python с возможностью работы с многомерными массивами, поддержкой высокоуровневых математических функций, предназначенных для работы с многомерными массивами. Выше упомянутые библиотеки изображены на рисунке 3.1 Так как было поставлена задача классификации мы должны определить к каким классам могут относиться объекты. В ис- пользованном наборе данных есть 10 классов, предоставленных на рисунке
3.2. В Keras нейронная сеть называется моделью мы использовали модель класса Sequential. Мы добавили слои нейронной сети с помощью метода add добавили входной слой и выходной слой полный код изображен на рисунке 3.3.

Рисунок 3.1 – Использованные библиотеки.

Рисунок 3.2 – Список с названиями классов.

Рисунок 3.3 – Создание нейронной сети.

А также на рисунке 3.4 показан сам процесс обучения.

Рисунок 3.4 – Процесс Обучения.

1. Личный вклад

В этом курсовом проекте используется набор данных Fashion MNIST, который содержит 70 000 изображений в оттенках серого в 10 категориях. На изображениях показаны отдельные предметы одежды в низком разрешении (28 на 28 пикселей), как показано здесь:

Рисунок 3.5 – Отдельные предметы одежды в низком разрешении.

В этом курсовом проекте обучили нейронную сеть в количестве 100 эпох, каждая эпоха обучалась на картинках в количестве 60 тысяч что

изображено на рисунке 3.5. Было предоставлено 2 варианта программы уже с сохраненной версией сети и обучающиеся в процессе. Для оптимизации варианты был предложено сократить количество используемых библиотек до возможного минимум рисунок 3.6. Так же было предложено вырезать из кода преобразование в формат one hot encoding. В результате было создано два варианта нашей программы. Для системы своего варианта разобрано приложение на BAS логика которой изображена на рисунках 3.6 и 3.7.

Рисунок 3.6 – Сокращенная версия библиотек.

Рисунок 3.7 – Логика работы виде кода.

2.