đề tài thiết kế mô hình mạng neural nhân tạo
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (2.49 MB, 29 trang )
<span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">
LÝ DO CHỌN ĐỀ TÀI
</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">● Trong thời đại 4.0, con người áp dụng cơng nghệ trí tuệ nhân tạo trong mọi lĩnh vực của cuộc sống để tiết kiệm thời gian và công sức.
● Trong lĩnh vực giáo dục, các bài giảng của thầy cô giáo cần lặp đi lặp lại nhiều lần để giúp học sinh nhớ lâu và không quên – đặc biệt trẻ 3-6 tuổi
</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">CNN – Convolutional neural network
</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">Một mạng Neural tích chập (Convolutional Neural Network - CNN) là một mạng Neural được thiết kế đặc biệt cho việc xử lý dữ liệu hình ảnh và có hiệu suất cao trong các nhiệm vụ như nhận diện và phân loại hình ảnh
CONVOLUTIONAL NEURAL NETWORK.
</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">như ReLU (Rectified Linear Unit) để tạo ra các đầu ra phi tuyến tính.
<b>Output layer </b>
● Lớp softmax tính tốn xác suất cho mỗi lớp phân loại.
</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">1. XÂY DỰNG MƠ
HÌNH
</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">1.1.MƠ HÌNH HUẤN LUYỆN MẠNG NEURAL
― Irene M. Pepperberg
</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11"><b>Output của convolutional layer:</b>
Trong trường hợp này, với input size: 200×200×3
</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12"><b>Pooling layer:</b><sup>Thực hiện tương tượng với ví dụ bên trên ta tính được </sup>output size sẽ có kích thước là: 198/2 = 99
</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13"><small> = .) . gradient (2.7)</small>
2. HUẤN
LUYỆN MẠNG NEURAL
<b>Bước 1. Tính tốn giá trị Gradient theo thuật tốn Gradient Descent</b>
- Tính tốn gradient của hàm mất mát theo trọng số.
E=-di) (2.5)
- Giá trị Gradient được tính theo cơng thức đạo hàm sau:
Gradient = ) f’(.Xij) Xia (2.6)
<b>Bước 2. Cập Nhật Trung Bình Di Động (Momentum Term):</b>
- Tính tốn trung bình di động của gradient sử dụng công thức:
+ : hệ số giảm dần của momentum. Giá trị khởi tạo ban đầu là: 0,9 + : hệ số giảm dần bình phương gradient. Giá trị khởi tạo ban đầu là: 0,999
<b>2.1. Thuật toán Adam</b>
</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14"><b>Bước 4: Hiệu chỉnh trung bình di động</b>
Điều chỉnh giá trị và để giảm ảnh hưởng của giá trị ban đầu ( và ):
<b>Bước 5: Cập nhật trọng số</b>
: trọng số sau khi cập nhật : trọng số trước khi cập nhật
: Để cân bằng giữa tính ổn định số học, độ tin cậy. Được khởi tạo là:
- Thuật toán Adam được xây dựng với tốc độ học (learning rate) được thiết lập cho thuật toán Adam là: learning rate=0.001
</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">2.2.Thiết kế phần mềm
<i>- Chuẩn bị dữ liệu:</i>
<i>- Khai báo các thư viện sử dụng: <sup>- Kết nối với Google Drive để đọc và lưu </sup><sub>dữ liệu: </sub></i>
</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">2.2.Thiết kế phần mềm
<i>- Khai báo dữ liệu:</i>
<i>- Tiền xử lý dữ liệu ảnh với ImageDataGenerator- Gán nhãn dữ liệu:</i>
</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">2.2.Thiết kế phần mềm
<i>- Đọc giữ liệu train và validation:</i>
</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">2.2.Thiết kế phần mềm
<i>Xây dựng mô hình: </i>
<i>Thiết lập các tham số để huấn luyện mơ hình:</i>
</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">2.2.Thiết kế phần mềm
<i>Q trình huấn luyện</i>
</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">3. Kết
quả và
đánh giá
</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">3.Kết quả và đánh giá
<i>Kết nối file data chọn ảnh</i>
</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">3.Kết quả và đánh giá
<i>Kết quả dự đoán:</i>
</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">4.KẾT LUẬN
</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">4.KẾT LUẬN
Ưu điểm của mơ hình :
• Thuật tốn chạy trên bộ dữ liệu đầu vào 3 loại động vật là tương đối tốt
• Các con vật được nhận diện với độ chính xác cao.
• Đặc biệt gấu có độ chính xác lên đến 90%. • Kết quả độ chính xác chung là 78,3%.
</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">Tổng kết
• Bài báo cáo này đã đề xuất mơ hình dựa trên mạng nơ-ron tích chập để nhận diện hình ảnh động vật.
• Mơ hình này bao gồm 3 mạng CNN xếp chồng và đồng thời hoạt động khi phát hiện đặc điểm đặc trưng của dữ liệu đầu vào.
• Thuật tốn này có nhiều ưu điểm như: nhận diện chính xác hơn, trích xuất được nhiều đặc trưng hình ảnh động vật.
• Thuật tốn này giúp mọi người nhận biết được thêm nhiều loài động vật dù nhiều loại động vật chưa được biết đến rộng rãi.
</div>
