khokhlov_alexander_practice

Энкодер на датасете fashion_mnist

Задача

Построить автоэнкодер для датасета Fashion MNIST, который будет принимать на вход изображение и создавать его же изображение на выходе.

Архитектура

Нейросеть состоит из следующих слоев: 1.Входной слой, принимающий изображение 2.Полносвязный слой с 256 нейронами и функцией активации ReLU 3.Полносвязный слой с 128 нейронами и функцией активации ReLU 4.Скрытый слой, имеющий 50 нейронов и функцию активации ReLU 5.Полносвязный слой с 128 нейронами и функцией активации ReLU 6.Полносвязный слой с 256 нейронами и функцией активации ReLU 7.Выходной слой с функцией активации сигмоид, который производит декодирование изображения 8.Выходной слой, преобразующий выходную карту признаков в изображение

Общее количество обучаемых параметров

Автоэнкодер содержит 235,978 обучаемых параметров

Функция оптимизации и функция ошибок

Алгоритм оптимизации - Adam, функция ошибок - бинарная кросс-энтропия.

Размеры датасета

• Тренировочный датасет: 48,000 изображений
• Валидационный датасет: 16,000 изображений
• Тестовый датасет: 16,000 изображений

Результаты обучения модели на всех трех датасетах

После 50 эпох обучения модели на тренировочном датасете, результаты на трех датасетах такие:

• Train Loss: 0.26351
• Train Accuracy: 0.27152
• Val Loss: 0.26502
• Val Accuracy: 0.26352
• Test Loss: 0.26442
• Test Accuracy:0.26600