Strategia doboru parametrów sieci neuronowej w rozpoznawaniu pisma

• Autorzy: Walentynowicz W. , Jóźwiak I. J.

Warianty tytułu

EN

Selection strategy of the neural network parameters in the handwriting recognition

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono propozycje dobierania parametrów sieci neuronowej w celu usprawnienia wartości skuteczności sieci w rozpoznawaniu cyfr zapisanych pismem ręcznym. Sieć neuronową wyuczoną do tego celu utworzono przy użyciu biblioteki Keras. Analizie poddano parametry: momentum oraz współczynniki nauki i rozkładu. Artykuł zawiera badania, wnioski oraz wskazówki do dalszych badań dotyczących rozpoznawania pisma.

EN

The paper presents the problem of selection the parameters of neural network for increasing network performance. Trained neural network was created with Keras library. Analyzed parameters: momentum, learning rate and decay. The article contains researches, conclusions and advices for further research in the field of handwriting recognition.

Słowa kluczowe

PL

sieć neuronowa; rozpoznawanie cyfr; strategia; dobór parametru

EN

neural network; digit recognition; strategy; selection of the parameter

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2016
• Tom: z. 96
• Strony: 463--468
• Opis fizyczny: Bibliogr. 6 poz.

Twórcy

autor

Walentynowicz W.

autor

Jóźwiak I. J.

• Politechnika Wrocławska. Wydział Informatyki i Zarządzania

Bibliografia

• 1. Bottou L.: Large-scale machine learning with stochastic gradient descent. Proceedings of COMPSTAT'2010. Physica-Verlag HD, 2010, p. 177-186.
• 2. Glorot X., Bordes A., Bengio Y.: Deep Sparse Rectifier Neural Networks. Aistats, vol. 15, No. 106, 2011.
• 3. Keras: Deep Learning library for Theano and TensorFlow, https://keras.io/ (20.08.2016).
• 4. Diederik K., Ba J.: Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980 (2014).
• 5. MNIST database, http://yann.lecun.com/exdb/mnist/ (20.08.2016).
• 6. Nitish S., et al.: Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, vol. 15, No. 1, 2014, p. 1929-1958.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).