Создание и обучение нейронной сети из тернарных слоев для классификации изображений

Этот раздел содержит инструкции по созданию нейронной сети для классификации изображений и ее обучению. Нейронная сеть создана с помощью тернарных слоев пакета ANN2SNN.

Чтобы создать и обучить нейронную сеть из тернарных слоев для классификации изображений:

1. В директории вашего проекта создайте файл программы с расширением .py, в котором будет создана и обучена нейронная сеть.
2. В файле программы импортируйте модули библиотек, необходимые для создания и исполнения нейронной сети.

   Если требуется, определите псевдонимы с помощью оператора as.

   Пример подключения объектов для создания и исполнения сверточной нейронной сети:

   Python

   from knp_ann2snn.altainn import TernaryConv2D, TernaryDense

   from knp_ann2snn.altainn import heaviside

   from knp_ann2snn.altainn import Clip

   from tensorflow import keras

   from keras.models import Sequential, load_model

   from keras.layers import Flatten

   from keras.callbacks import ModelCheckpoint

   import tensorflow as tf

3. Создайте нейронную сеть. Укажите функцию softmax в качестве функции активации для выходного слоя.

   Пример создания нейронной сети с тремя сверточными слоями:

   Python

   model = Sequential(

   [

   TernaryConv2D(1, 2, strides=2, activation=heaviside, input_shape=(28, 28, 1)),

   Flatten(),

   TernaryDense(10, activation="softmax")

   ]

   )

   model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

   model.summary()

4. Подготовьте данные для обучения.

   Пример подготовки данных MNIST для обучения:

   Python

   # Загрузка данных MNIST для обучения.

   (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

   # Кодирование целевых меток.

   y_train = tf.keras.utils.to_categorical(y_train)

   y_test = tf.keras.utils.to_categorical(y_test)

   # Нормализация входных данных.

   x_train = x_train / 255

   x_test = x_test / 255

   # Приведение входных данных в бинарный вид.

   x_train[x_train > 0.5] = 1

   x_train[x_train <= 0.5] = 0

   x_test[x_test > 0.5] = 1

   x_test[x_test <= 0.5] = 0

   # Замена размерности данных (28, 28) на (28, 28, 1) для правильной работы сверточных слоев.

   x_train = x_train.reshape(x_train.shape + (1,))

   x_test = x_test.reshape(x_test.shape + (1,))

5. Создайте Callback-функцию для сохранения нейронной сети.

   Пример Callback-функции:

   Python

   # Сохранение обученной нейронной сети в файл mnist.h5.

   model_chekpoint_callback = ModelCheckpoint(

   filepath="mnist.keras",

   monitor="accuracy",

   mode="max",

   save_best_only=True,

   )

6. Обучите нейронную сеть.

   Пример обучения нейронной сети:

   Python

   # Запуск обучения на тренировочных данных.

   model.fit(x_train, y_train, epochs = 15, verbose = 1, callbacks=[model_chekpoint_callback])

   # Загрузка обученной модели.

   model = load_model(

   "mnist.keras",

   custom_objects = {

   "heaviside_mod": heaviside,

   "TernaryDense": TernaryDense,

   "TernaryConv2D": TernaryConv2D,

   "Clip": Clip

   }

   )

   # Оценка точности нейронной сети.

   print(f"Точность модели: {model.evaluate(x_test, y_test, verbose = 1)[1]*100:.2f}%")

7. Запустите программу.