đề tài thiết kế mô hình mạng neural nhân tạo

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 diệ

LÝ DO CHỌN ĐỀ TÀI

● Trong thời đại 4.0, con người áp dụng công 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

CNN – Convolutional neural network

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.

như ReLU (Rectified Linear Unit) để tạo ra các đầu ra phi tuyến tính.

Output layer

● Lớp softmax tính toán xác suất cho mỗi lớp phân loại.

1 XÂY DỰNG MÔ

HÌNH

1.1.MÔ HÌNH HUẤN LUYỆN MẠNG NEURAL

― Irene M Pepperberg

Output của convolutional layer:

Trong trường hợp này, với input size: 200×200×3

Pooling layer:Thực hiện tương tượng với ví dụ bên trên ta tính được output size sẽ có kích thước là: 198/2 = 99

= ) gradient (2.7)

2 HUẤN

LUYỆN MẠNG NEURAL

Bước 1 Tính toán giá trị Gradient theo thuật toán Gradient Descent

- Tính toán gradient của hàm mất mát theo trọng số.

E=-di) (2.5)

- Giá trị Gradient được tính theo công thức đạo hàm sau:

Gradient = ) f’(.Xij) Xia (2.6)

Bước 2 Cập Nhật Trung Bình Di Động (Momentum Term):

- Tính toán 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

2.1 Thuật toán Adam

Bước 4: Hiệu chỉnh trung bình di động

Điều chỉnh giá trị và để giảm ảnh hưởng của giá trị ban đầu ( và ):

Bước 5: Cập nhật trọng số

: 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

2.2.Thiết kế phần mềm

- Chuẩn bị dữ liệu:

- Khai báo các thư viện sử dụng: - Kết nối với Google Drive để đọc và lưu dữ liệu:

2.2.Thiết kế phần mềm

- Khai báo dữ liệu:

- Tiền xử lý dữ liệu ảnh với ImageDataGenerator- Gán nhãn dữ liệu:

2.2.Thiết kế phần mềm

- Đọc giữ liệu train và validation:

2.2.Thiết kế phần mềm

Xây dựng mô hình:

Thiết lập các tham số để huấn luyện mô hình:

2.2.Thiết kế phần mềm

Quá trình huấn luyện

3 Kết

quả và

đánh giá

3.Kết quả và đánh giá

Kết nối file data chọn ảnh

3.Kết quả và đánh giá

Kết quả dự đoán:

4.KẾT LUẬN

4.KẾT LUẬN

Ưu điểm của mô hình :

• Thuật toán 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%

Tổng kết

• Bài báo cáo này đã đề xuất mô hình dựa trên mạng nơ-ron tích chập để nhận diện hình ảnh động vật

• Mô 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 toán này có nhiều ưu điểm như: nhận diện chính xác hơn, trích xuất được nhiều đặc trưng hình ảnh động vật

• Thuật toán này giúp mọi người nhận biết được thêm nhiều loài động vật dù nhiều loại động vật chưa được biết đến rộng rãi.