🌐 NNFS

Convolutional Neural Network Framework from scratch

---

💼 Фреймворк для построения свёрточных нейронных сетей, реализованный с нуля

Данный проект реализован в рамках "челленджа" по предмету "Вычислительная математика" при обучении на направлении "Информатика и Вычислительная техника" на Космическом факультете в МФ МГТУ им. Н. Э. Баумана (куратор проекта - Малашин А. А.)

⚡️ Реализованные компоненты

В проекте реализованные следующие компоненты, позволяющие сформировать модель нейронной сети практически под любые нужды:

1. Слои

   • Layer_Dense Плотный слой
   • Convolutional Слой свёртки
   • Layer_Dropout Dropout-слой
   • Reshape Слой для изменения размерности данных

2. Функции активации

   • Activation_ReLU на базе ReLU-функции
   • Activation_Softmax на базе Softmax-функции для результирующего слоя
   • Activation_Sigmoid на базе сигмоиды
   • Activation_Linear на базе линейной зависимости (для примера)

3. Оптимизаторы

   • Optimizer_SGD SGD оптимизаторов
   • Optimizer_Adagrad Adagrad оптимизатор
   • Optimizer_RMSprop оптимизатор RMSprop
   • Optimizer_Adam Adaptive Moment оптимизатор (ультимативное решение)

4. Функции потери

   • Loss_CategoricalCrossentropy используется при построении модели с задачами классификации
   • Loss_BinaryCrossentropy используется при построении модели с задачами классификации
   • Loss_MeanSquaredError используется для регрессионных моделей
   • Loss_MeanAbsoluteError используется для регрессионных моделей

5. Подсчет точности

   • Accuracy_Categorical используется при построении модели с задачами классификации
   • Accuracy_Regression используется для регрессионных моделей

6. Класс-интерфейс модели

   Model позволяет добавлять слои в модель, производить обучение и валидацию с учетом заданных функций потерь, точности и оптимизаторов

---

🖥️ Пример использования

⚠ Актуальный подробный пример описан в test.py файле

Create Model object

import Model from NNFS_DIY
model = Model()

model.add(...)
...

model.set(
    loss=*Loss Class*,
    optimizer=*Optimizer Class*,
    accuracy=*Accuracy Class*
)

model.finalize()

model.train(*Input Data*, *Output Data*,
            validation_data=(*Test Input*, *Test Output*), 
            epochs=*Epochs*, 
            batch_size=*Items in batch*,
            print_every=*No of epoch*)

📑 Использованные материалы

При реализации студенты опирались на информацию и примеры кода, описанные в книге Neural Networks from Scratch in Python

ℹ️ Дополнительные ссылки

• Ссылка на Google Collab с конспектами по проекту
• Ссылка на презентацию проекта на Gamma.app

Если вам понравились материалы проекта, оставьте, пожалуйста, звездочку этому репозиторию ⭐️