¡Hola! El primer post sobre Habré e inmediatamente un tema duro sobre el tema del día. Creo que muchos desarrolladores de inteligencia artificial para resolver problemas aplicados se preguntaban qué arquitecturas de neuronas son más efectivas en el contexto de tareas específicas. Haré una reserva de inmediato de que los ejemplos dados fueron desarrollados por el personal de la Universidad de Inteligencia Artificial. Pero yo, como participante en su intensivo, tuve la suerte de probar sus arquitecturas y recopilar estadísticas útiles sobre su efectividad.
1. Reconocimiento de números escritos a mano
Comencemos con la arquitectura más simple. Esta malla consta de una entrada y 3 capas completamente conectadas:
Esta simple cuadrícula mostró muy buenos resultados durante el entrenamiento. La precisión en la muestra de entrenamiento fue del 99,4%, mientras que en la muestra de prueba fue del 98,5%. ¡Y esto en 2,57 segundos! Adelante.
2. Reconocimiento de la marca de automóviles
La segunda cuadrícula es más pesada, pero la tarea era más ambiciosa. Para el experimento, se tomaron fotografías de tres marcas: Renault, Mercedes y Ferrari. El modelo consta de las siguientes capas:
"" , . 2D, 2D, , . 76,7%, - 73,6%. - 1,7 .
3.
- . :
. 100,0%, - 99,9% (!). . - 0,7 . .
4.
, - , . - , . .
. , , , 1D, 1D, . 82,7%, - 85,1%. , . . - 0,16 .
5. ...
, ? . , , . :
, . - , PSP . - , . , 2 . - (3 ) (2 ). 99,8%, - 99,8%. , . 4,7 .
Los ejemplos de arquitecturas dados durante las pruebas mostraron buenos resultados y pueden aplicarse en la resolución de problemas prácticos. Para cada uno de los modelos, se realizaron entre 20 y 30 pruebas para cambiar sus parámetros. Quizás en las siguientes publicaciones daré rangos de prueba detallados para los modelos presentados. ¡Gracias por su atención!