Seminarium dyplomowe
Mateusz Burniak, 218321
Temat pracy
Zastosowanie sztucznych sieci neuronowych
do diagnostyki stanów ostrego brzucha
Application of artificial neural networks
to the diagnosis of surgical abdomen states
Prowadzący pracę
prof. dr hab. inż.
Marek Kurzyński
Technologie
Aplikacja
Poboczne
API
Schemat warstwy
class Layer:
def __init__(self, shape, activation='sigmoid'):
...
def feedforward(self, x: np.ndarray) -> np.ndarray:
...
def calc_delta(self, d: np.ndarray = None):
...
def calc_gradient(self):
...
def update_weights(self):
...
Architektura sieci
def input_data(shape: Tuple[Optional[int], int]) -> Layer:
...
def fully_connected(incoming: Layer, n_units: int,
activation='relu') -> Layer:
...
net = input_data(shape=(None, x_train.shape[1]))
net = fully_connected(net, 24, activation='sigmoid')
net = fully_connected(net, 16, activation='sigmoid')
net = fully_connected(net, 12, activation='sigmoid')
net = fully_connected(net, 8, activation='sigmoid')
Schemat modelu
class Model:
def __init__(self, network: Layer):
...
def fit(self, X_inputs: np.ndarray, Y_targets: np.ndarray,
validation_set: Tuple[np.ndarray, np.ndarray] = None,
learning_rate=None, n_epoch=10, batch_size=64,
shuffle=False, train_file='train.json'):
...
def predict(self, x: np.ndarray) -> np.ndarray:
...
def load(self, model_file: str):
...
def save(self, model_file: str):
...
Uczenie modelu
model_file = 'model.json'
model = Model(net)
model.fit(x_train, y_train,
validation_set=(x_test, y_test),
n_epoch=30,
batch_size=10)
model.save(model_file)
model.load(model_file)
Plan prac
Tydzień | Zadania |
---|---|
dotychczas (do 5 XI) | skończona aplikacja ze stałym LR |
VI (6 XI - 12 XI) | zmiana LR w miarę uczenia, początek dokumentacji |
VII (13 XI - 19 XI) | opis API |
VIII (20 XI - 26 XI) | wstęp + zakończenie |
IX (27 XI - 3 XII) | prace redakcyjne |
X (4 XII - 10 XII) | ??? |
Q & A
Mateusz Burniak, 218321
sem-dyp
By Mateusz Burniak
sem-dyp
- 275