Практическая работа №1 по дисциплине «Проектирование вычислительных комплексов»



Pdf көрінісі
бет11/14
Дата25.09.2023
өлшемі1,24 Mb.
#182414
түріПрактическая работа
1   ...   6   7   8   9   10   11   12   13   14
Байланысты:
Практическая работа 1 Проектирование ВК

графическое 
представление 
в диаграммах соответствующего формата. Ниже приведён пример построения 
диаграмм типа KDE в библиотеке seaborn: 
sns.pairplot(dataset[["Price", "Area", "Age"]], diag_kind="kde") 

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html 


4.
 
Ход работы
 
Прежде, чем выполнять нижеследующие задания, ознакомьтесь с теоретической справкой, 
описанием инструментов, библиотек и датасетов. 
По результатам выполнения работы 
преподавателю должны быть предоставлены 
от 
каждой из бригад: 

программные коды в виде файлов Colab / Jupiter Notebooks, 

отчёт в формате MS Word, оформленный в соответствии с требованиям ГОСТ к научным 
(учебным) документам. 
Все указанные выше файлы должны быть размещены на Google Drive вашего аккаунта в 
отдельной папке
. Доступ к ней должен был 
выдан преподавателю 
(maxis81@gmail.com), с 
рассылкой уведомления (когда ваша работа будет 
полностью завершена
). 
4.1.
 
Реализация и обучение НС для задачи классификации
6
 
Создайте новый Colab notebook, перейдя по адресу https://colab.research.google.com/ или 
сделав это из Google Drive. 
При помощи меню выберите работу на GPU: Runtime -> Change runtime type -> GPU. Для 
проверки успешности подключения и работы графического процессора (иногда он оказывается 
недоступен, в этом случае нужно повторить попытку его включения позже) может бытьиспользован 
следующий программный код: 
import tensorflow as tf 
tf.test.gpu_device_name() # в случае успешности будет выдан примерно такой 
результат '/device:GPU:0' 
Произведите подключение всех необходимых библиотек (Pandas, Keras, Seaborn) при 
помощи вызова конструкций 
import
, как было описано в разделе «Инструменты и библиотеки». 
Произведите загрузку обучающего и тестового набора данных из четырёх файлов в формате 
csv (прилагаются к лабораторной работе, являются обработкой датасета, описывающего 
диагностику рака груди
7
): 
from google.colab import files 
file = files.upload() 
X_train = pd.read_csv("xtrain.csv", header=None) 
Y_train = pd.read_csv("ytrain.csv", header=None) 
X_test = pd.read_csv("xtest.csv", header=None) 
Y_test = pd.read_csv("ytest.csv", header=None) 
Создайте нейронную сеть из четырёх слоёв, задав для всех, кроме последнего слоя, быстро 
вычисляемую функцию активации RELU. Для этого целесообразно использовать модель Keras 
Sequential
8
. Параметр входного слоя 
input_dim 
определяется тем, что в используемом датасете 
количество факторов равно 30 (ещё 2 колонки – описательные). При первом выполнении 

Данный 
пример 
описан 
в 
серии 
видео 
https://www.youtube.com/watch?v=inN8seMm7UI&list=PLQY2H8rRoyvyK5aEDAI3wUUqC_F0oEroL 

Первоисточник 
и 
описание: 
https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic) 

См. 
содержательное 
описание 
https://keras.io/getting-started/sequential-model-guide/ 
и 
документацию по основным методам (compile, fit, predict) https://keras.io/models/sequential/ 


работы количество нейронов в каждом из слоёв рекомендуется использовать как в примере 
ниже: 
from keras.models import Sequential 
from keras.layers import Dense 
classifier = Sequential() # Инициализация НС 
classifier.add(Dense(units = 16, activation = 'relu', input_dim = 30)) 
classifier.add(Dense(units = 8, activation = 'relu')) 
classifier.add(Dense(units = 6, activation = 'relu')) 
classifier.add(Dense(units = 1, activation = 'sigmoid')) 
Укажите метод оптимизации
9
и функцию потери
10

classifier.compile(optimizer = 'rmsprop', loss = 'binary_crossentropy') 
Теперь мы можем провести обучение нейронной сети. Вместо количества эпох, равного 100, 
как в нижеследующем примере, 


Достарыңызбен бөлісу:
1   ...   6   7   8   9   10   11   12   13   14




©engime.org 2024
әкімшілігінің қараңыз

    Басты бет