Пояснительная

Проектирование систем

1. Анализ подходов к решению задачи - Средства, библиотеки, модель, языки программирования. Выбор средств и методов реализации

Для реализации проекта использовались разные библиотеки, подхо- дящие определить типа одежды по изображению. Практиковали нейронные сети с использованием готовых библиотек Keras и TensorFlow.

2. Keras

Keras — открытая библиотека, написанная на языке Python и обес- печивающая взаимодействие с искусственными нейронными сетями. Она представляет собой надстройку над Фреймворком TensorFlow. До версии

3. 
   поддерживались разные версии нейросетевых библиотек, такие как TensorFlow, Microsoft Cognitive Toolkit, Deeplearning4j, и Theano.
   

Нацелена на оперативную работу с сетями глубинного обучения, при этом спроектирована так, чтобы быть компактной, модульной и расши- ряемой. Она была создана как часть исследовательских усилий проекта ONEIROS, а ее основным автором и поддерживающим является Франсуа Шолле (Французский инженер-программист и исследователь искусственно- го интеллекта, в настоящее время работающий в Google. Chollet является создателем Keras библиотеки). [5]
Планировалось что Google будет поддерживать Keras в основной библиотеке TensorFlow, однако Шолле выделил Keras в отдельную над- стройку, так как согласно концепции Keras является скорее интерфейсом, чем сквозной системой машинного обучения. Keras предоставляет высоко- уровневый, более интуитивный набор абстракций, который делает простым формирование нейронных сетей, независимо от используемой в качестве вы- числительного бэкенда библиотеки научных вычислений. Microsoft работает над добавлением к Keras и низкоуровневых библиотек CNTK.
Типичные рабочие процессы Keras выглядят так:

1. 
   Определите ваши тренировочные данные: входной тензор и целевой тензор.
   
2. 
   Определите сеть слоев (или модель), которая отображает входные данные для наших целей.
   
3. 
   Настройте процесс обучения, выбрав функцию потерь, оптимизатор и некоторые показатели для мониторинга.
   
4. 
   Повторяйте данные тренировки, вызывая метод fit () вашей модели. О моделях Keras. В Keras доступно два основных типа моделей: по- следовательная модель и класс Model, используемый с функциональным
   

API.

Эти модели имеют ряд общих методов и атрибутов:

1. 
   model.layers это плоский список слоев, составляющих модель.
   
2. 
   model.inputs список входных тензоров модели.
   
3. 
   model.outputs список выходных тензоров модели.
   
4. 
   model.summary() печатает краткое представление вашей модели.
   
5. 
   model.get_config () возвращает словарь, содержащий конфигурацию
   

модели.

6. 
   model.get_weights () возвращает список всех весовых тензоров в модели в виде массивов Numpy.
   
7. 
   model.set_weights(weights)устанавливает значения весов модели из списка массивов Numpy. Массивы в списке должны иметь ту же форму, что и возвращаемые get_weights().
   
8. 
   model.to_json () возвращает представление модели в виде строки JSON. Обратите внимание, что представление не включает веса, только архитектуру.
   
9. 
   model.to_yaml () возвращает представление модели в виде строки YAML. Обратите внимание, что представление не включает веса, только архитектуру.
   
10. 
    model.save_weights(filepath) сохраняет вес модели в виде файла HDF5.