instrumental vositalar asosida neyron tarmog’ini qurish va o’qitish

PDF 423 стр. 14,8 МБ Бесплатная загрузка

423 стр.

FaylHub.uz

Скачать через Telegram

Размер 14,8 МБ

Тип файла PDF

Страницы 423

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 423

instrumental vositalar asosida neyron tarmog’ini qurish va o’qitish ma’ruza rejasi numpy paketi imkoniyatlari neyron tarmog’ida sinflashtirish masalasi dataset ni shakllantirish. datasetni vizuallashtirish neyron tarmoqni qurish (numpy paketi misolida) feedforward va backpropagation. .dot funksiyasi neyron tarmoqni o’qitish va loss funksiyasini hisoblash modelni natijasini choq qilish xulosa foydalanilgan adabiyotlar feedforward feedforward (oldinga yo’naltirilgan) neyron tarmoqda – kiruvchi qiymatlar (inputs) qabul qilinadi va neyronlarning og’irlik koeffitsentlari (weights) tasodifiy qiymat qabul qiladi. og’irlik koeffitsentlari (weights) ning tasodifiy qiymatlarini optrimallashtirish yoki sozlash uchun backpropagation (orqaga yo’naltirish) usulidan foydalaniladi bu yerda barcha w koeffitsentlar tasodifiy olinadi backpropagation backpropagation – bu neyron tarmoqdagi taxmin qilingan chiqish (prediction output) va maqsadli chiqish (target output) o'rtasidagi xatolikni (error) hisoblash va shunga mos vazn qiymatlarini (og’irlik koeffitsentlarini) yangilash uchun “gradiyentli tushish” algoritmidan foydalanish jarayonidir.. loss funksiyasi loss funksiyasi – bu qurilgan modelning o’quv tanlanmaga nisbatan qanchalik to’g’ri shakllantirilganligini baholash usuli hisoblanadi. neyron tarmoqni o’qitish jarayonida loss funksiyasi qanchalik kichik qiymat …

2 / 423

ing rangini belgilaydi va har bir o`lchamlarining(kanallarining) o`lchamlarini o`zida saqlaydigan butun sonlardan tashkil topgan statik ro`yxatlar numpy massivlari shape(shakli) deyiladi. numpy massivlarini python ro`yxatlari (list) orqali hosil qilish mumkin va ularga [ ] ko`rinishidagi qavslar orqali murojaat qilish mumkin. numpyda massivlar yaratish numpyda massivlarni hosil qilish uchun bir qancha funksiyalari mavjud massivlar ustida amallar kesimlar ajratib olish: python ro'yxatlariga o'xshash, numpy massivlaridan kesimlar ajratib olish mumkin. massivlar ko'p o'lchovli bo'lishi mumkinligi sababli, massivning har bir o'lchovi uchun bo'lakni belgilashingiz shart dot() funksiyasi dot() funksiyasi matritsani bir biriga ko’paytirish uchun ishlatiladi. quyida misol berilgan: import numpy.matlib import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) np.dot(a,b) dataset ni shakllantirish. datasetni vizuallashtirish 0 va 1 orqali datasetni shakllantirish #a 0 0 1 1 0 0 0 1 0 0 1 0 1 1 1 1 1 1 1 0 0 0 0 1 1 0 0 0 0 1 #b 0 …

3 / 423

$lani yechish uchun quriladigan neyron tarmoq arxitekturasi neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar neyron tarmog’ini qurish va o’qitish uchun kerak bo’lgan funksiyalar qurilgan modelni ishga tushirish w1 = generate_wt(30, 5) # tasodifiy og’irlik koeffitsentlari (input-hidden) w2 = generate_wt(5, 3) # tasodifiy og’irlik koeffitsentlari (hidden-output) print(w1, "\n\n", w2) # tasodifiy olingan qiymatlarni chop qilish acc, losss, w1, w2 = train(x, y, w1, w2, 0.1, 100) #modelni o’qitish print(w1, "\n", w2) #model o’qitilgandan keyingi koeffitsentlar predict(x[1], w1, w2) # o’qitilgan model koeffitsentlarini choq qilish model aniqligi va yo’qotish funksiyasi natijasini vizuallashtirish import matplotlib.pyplot as plt1 # model aniqligi uchun grafik plt1.plot(acc) plt1.ylabel('accuracy') plt1.xlabel("epochs:") plt1.show() # loss uchun grafik plt1.plot(losss) plt1.ylabel('loss') plt1.xlabel("epochs:") plt1.show() dastur natijalari (tasodifiy koeffitsentlar) w1 uchun qiymatlar w2 uchun qiymatlar ...... ...... model natijalari ...... ...... ...... ...... foydalanilgan adabiyotlar aurelian geron, hands on machine learning with scikit-learn …$

4 / 423

tch-in-python-68998a08e4f6 chuqur o’qitish (deep learning) da python keras va tensorflow kutubxonalaridan foydalanish ma’ruza rejasi keras kutubxonasi kerasda neyron tarmoq qurish kerasning asosiy tushunchalari ◦ sequential ◦ convolution (conv1d, conv2d) ◦ dense ◦ activation ◦ dropout tensorflow arxitekturasi python muhitida virtual environment yaratish keras nima? keras – bu python-da yozilgan, theano yoki tensorflow-ning asosiga qurilgan ochiq kodli netron tarmoq kutubxonasidir. u modulli, tezkor va ishlatish uchun qulay holatda google kompaniyasi muhandisi fransua cholet ishlab chiqqan. keras – bu hisob-kitoblarni amalga oshirish uchun tensorflow, cntk yoki theano “backend” kutubxonalaridan foydalanadigan, yuqori darajada ishlaydigan api(application programming interface)dir. keras nima? kerasning ishlab chiqilishiga asosiy sabab shuki – ungacha boshqa neyron tarmoqlari kutubxonalaridan foydalanish noqulayroq bo`lgan ya’ni sintaksisi qiyinroq bo`lgan. keras yuqori-darajali api modellarni yaratish, qatlamlarni belgilash yoki bir nechta kirish-chiqish modellarini boshqarish imkonini beradi. keras modelni yo`qotish (loss function) va optimizatsiya (optimization function) funksiyasi bilan kompilyatsiya qiladi, va modelni o`qitishni fit funksiyasi orqali amalga …

5 / 423

(activation('relu')) model.add(dropout(0.2)) model.add(dense(512)) model.add(activation('relu')) model.add(dropout(0.2)) model.add(dense(10)) model.add(activation('softmax')) kerasning asosiy tushunchalari kerasdagi asosiy struktura bu model. modellar bir qancha qatlamlardan tashkil topishi mumkin. kerasda qatlamlarning bir nechta turi mavjud. ◦ketma-ket tartibli(sequential) model ◦konvolyutsion qatlam ◦maxpooling qatlam ◦zich (dense) qatlam ◦dropout qatlami ketma-ket tartibli (sequential) model ketma-ket tartibli modelning asosiy g'oyasi shunchaki keras qatlamlarini ketma-ket tartibda joylashtirishdir. ya`ni qatlamlar turgan tartibi bo`yicha ishga tushiriladi konvolyutsion qatlam konvolyutsion qatlam –bu massivlar ustida bir nechta filtrlardan foydalangan holda ulardan turli xil xususiyatlarni ajratib olish uchun qo`llaniladigan qatlamdir konvolyutsion qatlam relu-ni faollashtirish funktsiyasidan shakli(input shape) 320x320x3 bo'lgan bo`lgan konvolyutsion qatlam. foydalanadigan va kirish 48 ta 3x3 o'lchamdagi filtri input_shape=(320,320,3) #this is the input shape of an image 320x320x3 model.add(conv2d(48, (3, 3), activation='relu', input_shape)) konvolyutsion qatlamning boshqacha ko`rinishi: model.add(conv2d(48, (3, 3), activation='relu')) input_shape= maxpooling qatlam maxpooling - bu har bir filterdan o`tkazilayotkan qiymatlardan eng kattasini olishdir. odatda maxpooling qanadaydir massivda qo`llanilganda natijaviy massivning o`lchami kichkinaroq bo`ladi. …

Хотите читать дальше?

Скачайте все 423 страниц бесплатно через Telegram.

Скачать полный файл

О "instrumental vositalar asosida neyron tarmog’ini qurish va o’qitish"

instrumental vositalar asosida neyron tarmog’ini qurish va o’qitish ma’ruza rejasi numpy paketi imkoniyatlari neyron tarmog’ida sinflashtirish masalasi dataset ni shakllantirish. datasetni vizuallashtirish neyron tarmoqni qurish (numpy paketi misolida) feedforward va backpropagation. .dot funksiyasi neyron tarmoqni o’qitish va loss funksiyasini hisoblash modelni natijasini choq qilish xulosa foydalanilgan adabiyotlar feedforward feedforward (oldinga yo’naltirilgan) neyron tarmoqda – kiruvchi qiymatlar (inputs) qabul qilinadi va neyronlarning og’irlik koeffitsentlari (weights) tasodifiy qiymat qabul qiladi. og’irlik koeffitsentlari (weights) ning tasodifiy qiymatlarini optrimallashtirish yoki sozlash uchun backpropagation (orqaga yo’naltirish) usulidan foydalaniladi bu yerda barcha w koeffi...

Этот файл содержит 423 стр. в формате PDF (14,8 МБ). Чтобы скачать "instrumental vositalar asosida neyron tarmog’ini qurish va o’qitish", нажмите кнопку Telegram слева.

Теги: instrumental vositalar asosida … PDF 423 стр. Бесплатная загрузка Telegram