4. Ishning borishi
Quyidagi topshiriqlarni bajarishdan oldin nazariy bilan tanishib chiqing.
Yordam, asboblar, kutubxonalar va ma'lumotlar to'plamlarining tavsifi. Ish natijalariga ko'ra o'qituvchiga har bir jamoadan quyidagilar berilishi kerak:
Colab / Jupiter Notebooks fayllari ko'rinishidagi dastur kodlari,
ilmiy (o‘quv) hujjatlar uchun GOST talablariga muvofiq ishlab chiqilgan MS Word formatidagi hisobot.
Yuqoridagi barcha fayllar hisobingizning Google Drive-ga alohida papkada joylashtirilishi kerak. Unga kirish o'qituvchiga berilishi kerak edi (maxis81@gmail.com), xabarnoma yuborilgan (ishingiz to'liq tugaganda).
4.1. Tasniflash topshirig'i uchun neyron tarmoqni amalga oshirish va o'qitish.
https://colab.research.google.com/ sahifasiga oʻtish yoki uni Google Drive orqali bajarish orqali yangi Colab daftarini yarating.
Menyudan foydalanib, GPUda ishni tanlang: Runtime -> Change runtime type -> GPU. GPU ulanganligini va muvaffaqiyatli ishlayotganligini tekshirish uchun (ba'zan shunday bo'ladi). mavjud emas, bu holda uni keyinroq qayta yoqishga urinib ko'rishingiz kerak), quyidagi dastur kodidan foydalanish mumkin:
import tensorflow as tf
tf.test.gpu_device_name() # в случае успешности будет выдан примерно такой
результат '/device:GPU:0'
"Asboblar va kutubxonalar" bo'limida ta'riflanganidek, barcha kerakli kutubxonalarni (Pandas, Keras, Seaborn) import konstruktsiyalarini chaqirish orqali ulang.
O'quv va test ma'lumotlar to'plamini csv formatidagi to'rtta fayldan yuklab oling (laboratoriya ishiga biriktirilgan, ular ko'krak bezi saratoni tashxisini tavsiflovchi ma'lumotlar to'plamini qayta ishlash uchun ishlatiladi):
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)
To'rt qatlamli neyron tarmog'ini yarating, oxirgi qatlamdan tashqari hammasini tez hisoblangan RELU faollashtirish funksiyasiga o'rnating. Buning uchun Keras Sequential modelidan foydalanish tavsiya etiladi. Input_dim kirish qatlami parametri foydalanilgan ma'lumotlar to'plamida omillar soni 30 ga teng ekanligi bilan aniqlanadi (yana 2 ta ustun tavsiflovchi). Ishni birinchi marta bajarayotganda, quyidagi misoldagi kabi har bir qatlamdagi neyronlar sonidan foydalanish tavsiya etiladi:
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'))
|
