Дипломная_Презентация_TensрачмorFlow.pptx

о

1. Проектирование и обучение нейронной сети для генерации с использованием TensorFlow Дипломный проект Свитнев А.С. Руководитель : Ладыгин Н.С . Мокшан 2025

2. Введение С момента своего появления искусственные нейронные сети (ИНС) используются для решения различных прикладных задач . ИНС успешно применяются в распознавании образов , прогнозировании , выявлении зависимостей , сжатии данных , управлении и других . У нейронных сетей большой потенциал благодаря их нелинейности , что делает их более выгодными , нежели обычные программы .

3. Цель и задачи проекта Цель : Разработка и обучение нейронной сети для генерации изображений с использованием TensorFlow, включая проектирование архитектуры и настройку обучения . – Анализ методов и архитектур генеративных нейронных сетей с акцентом на TensorFlow. – Проектирование и реализация архитектуры нейронной сети для генерации изображений . – Реализация процесса обучения модели и подготовка данных . – Оценка качества генерируемых изображений с использованием стандартных метрик .

4. Понятие нейрона Искусственный нейрон – математическая модель биологического нейрона , выполняющая функции сумматора . На вход поступают данные X1...Xn, которые преобразуются весами w1...wn, суммируются и проходят через функцию активации F(u).

5. Виды нейронных сетей Основные типы ИНС: – Сети прямого распространения и персептроны – Сеть Хопфилда – Машина Больцмана – Свёрточные нейронные сети (CNN) – Рекуррентные нейронные сети (RNN) – Сети Кохонена (SOM)

6. Методы обучения нейронных сетей Алгоритмы обучения : – Обучение с учителем – Обучение без учителя – Параметрическое обучение – Непараметрическое обучение

7. Архитектуры генеративных моделей Основные семейства генеративных моделей : – Автокодировщики (Autoencoders) – Вариационные автокодировщики (VAE) – Генеративно- состязательные сети (GAN) – VQ-VAE и VQGAN

8. Обзор TensorFlow TensorFlow — платформа для машинного обучения от Google. Обеспечивает высокоуровневый API Keras и низкоуровневое управление вычислениями , поддерживает eager и graph режимы , автоматическое дифференцирование , распределённое обучение и TensorBoard.

9. Подход к выбору архитектуры Для генерации изображений выбрана модель VQGAN, обеспечивающая лучшее сочетание FID и SSIM за счёт дискретного латентного пространства и состязательного обучения, несмотря на повышенные вычислительные затраты.

10. Архитектура VQGAN Компоненты VQGAN: 1. Энкодер: извлечение признаков 2. Квантайзер : дискретизация признаков 3. Декодер : восстановление изображения 4. Дискриминатор : оценка реалистичности

11. Использование GAN Генератор ( декодер ) создаёт изображения , дискриминатор отличает реальные и синтетические . Состязательная потеря улучшает фотореализм и текстуру , снижая эффект размытия .

12. Функции потерь и метрики Функции потерь : – Reconstruction (MSE) – VQ loss и commitment loss – Adversarial loss Метрики качества : – SSIM – FID

13. Общий алгоритм обучения 1. Предобучение автоэнкодера 2. Подключение дискриминатора 3. Попеременное обновление генератора и дискриминатора 4. Мониторинг FID и сохранение лучшей модели

14. Заключение Использование VQGAN на базе TensorFlow позволило разработать модель генерации изображений с высоким качеством реконструкции и реалистичностью , подтверждаемой метриками SSIM и FID.

15. Список литературы Основные источники: – Goodfellow I. et al. Generative Adversarial Networks. 2014. – Kingma D., Welling M. Auto-Encoding Variational Bayes. 2013. – Oord A. v. d. et al. Neural Discrete Representation Learning. 2017.