Лабораторные работы по курсу Глубокое обучение

Команда №2

Решаемая задача

Была выбрана задача бинарной классификации: «кошки» - «собаки». Были использованы картинки из наборов данных https://www.kaggle.com/tongpython/cat-and-dog и https://www.kaggle.com/c/dogs-vs-cats/data. Получившийся набор состоит из 35029 изображений. С помощью скрипта lab2/src/resize.py данные были преобразованы к размеру 128×128. С помощью скрипта im2rec.py, который входит в библиотеку MXNet, изображения были сконвертированы в формат .rec. .rec файлы для тренировочной и тестовой выборок доступны по следующим ссылкам соответственно:

• https://drive.google.com/open?id=14GaALUALHFNrG5ehBQXdA85AkixXLMxW
• https://drive.google.com/open?id=1GuDhh0T0p0YMA71I5ZfZOazIswkZWzrq

Результаты

№ Лабораторной работы	Конфигурация сети	Параметры обучения	Точность на тренировочном множестве (%)	Точность на тестовом множестве (%)
2	Полносвязная сеть. Размеры слоев: 7500-2500- 1000-250. Функции активации relu-relu-relu-sigmoid. Softmax на выходном слое.	Количество эпох – 10. Скорость обучения – 0.001. Размер батча - 8. Оптимизатор - SGD.	0,83	0,78
3	Сверточная сеть. 1 сверточный слой. 500 фильтров 3x3 с шагом 2x2. Операция max-pooling в окрестности 2x2 с шагом 2x2. 2 полносвязных слоя. Размеры слоев 500-250. Функции активации relu-relu-sigmoid. Softmax на выходном слое.	Количество эпох – 10. Скорость обучения – 0.001. Размер батча - 8. Оптимизатор - SGD.	0,99	0,98
4	Полносвязная сеть. Размеры слоев: 7500-2500- 1000-250. Функции активации relu-relu-relu-sigmoid. Softmax на выходном слое.	Количество эпох – 10. Скорость обучения – 0.001. Размер батча - 8. Оптимизатор - SGD. Инициализация весов - автокодировщик.	0,86	0,81
5	ResNet-50. Оригинальный классификатор заменен на новый: Полносвязный классификатор. Один скрытый слой. 10 нейронов.	Количество эпох – 2. Скорость обучения – 0.01. Размер батча - 8. Оптимизатор - SGD. Инициализация оригинальной части модели весами из натренированной модели Инициализация нового классификатора случайными весами	0,99	0,99