Ett Neuralt Nätverk Tittar På Kläder
|
|
- Kurt Öberg
- för 5 år sedan
- Visningar:
Transkript
1 [Skriv här] [Skriv här] [Skriv här] 2019 Ett Neuralt Nätverk Tittar På Kläder ETT KONVOLUTIONELLT NEURALT NÄTVERK KATEGORISERAR FASHION MNIST DATASETET WILHELM BRODIN, WILBR797
2 1.1 Inledning En människas förmåga att se och förstå grundar sig i det neurologiska system som finns i den mänskliga hjärnan. Där visuella percept formas och förståelse skapas. Datorseende är ett sätt som en dator kan efterlikna det med program för objektigenkänning. De fungerar genom mönsterigenkänning som liknar den mänskliga perceptuella processen. The British Machine Vision Association and Society for Pattern Recognition beskriver datorseende som en process att automatiskt extrahera och analysera bilder och video för att uppnå visuell förståelse (What is computer vision, 2018). En annan datorbaserad teknik som liknar processer är neurala nätverk. Med introduktionen av gradient back propagation och enorma mängder data öppnades möjligheterna för neurala nätverk (Schmidhuber, 2014). En av dem är användandet av convolutional neurala nätverk för objektigenkänning(p & Raj, 2018). Denna rapport är ett exempel på hur detta kan implementeras. Rapporten består av två huvuddelar, en inledande del där begrepp som är relevanta för implementationen förklaras och den andra delen där implementationen läggs ut. Detta avslutas sedan med en utvärderande diskussion kring implementationen. 1.2 Vad är CNN Ett convolutional neuralt nätverk är ett nätverk som itererar över den data som pixlarna i en bild utgör och plockar ut de särdrag som framstår i bilden. För att detta ska vara möjligt behöver den bilddata som ska behandlas av nätverket vara i vektorform (P & Raj, 2018). En bild i RGB format är varje pixel i bilden en vektor med tre dimensioner, en för varje värde i färguppsättningen. Bilder i gråskala behöver enbart en vektor med en dimension för varje pixel. Det är sedan möjligt att ta ut särdrag i bilden med hjälp av siffervärdena på bildens utseende. Denna särdragsdetektering är var nätverket ser formerna som finns i bilden. I det första lagret av noder som utgör särdragsdetektering plockas de mest fundamentala formerna ut (P & Raj, 2018). Till exempel, horisontella eller vertikala linjer, kanter eller enklare geometriska former. Om nätverket innehåller fler convolutional lager så kombineras de tidigare detekterade särdragen och mer komplicerade mönster kan detekteras ju fler lager som implementeras. Detta görs genom att applicera ett filter bestående av en viktad matris som utgör det särdrag som den noden i nätverket ska detektera. Storleken på matrisen avgör storleken på särdraget som kan detekteras, vanligast idag är matriser mellan 2x2 och 5x5 när data i två dimensioner behandlas (Heravi, 2017). 1.3 Vilka delar har ett CNN För att ett nätverk ska kunna utföra effektiv objektigenkänning med lager av convolutional noder krävs en stödstruktur av lagren innan och efter. Andra lager av noder som är vanliga tillsammans med convolutional noder är poolinglager och aktiveringslager med ReLU som aktiveringsfunktion. En poolingnod är en nod som flyttar en matris längs en bild, som en convolutional nod gör, men i retur 1
3 ger den värdet på den pixeln med högst värde. Förutsatt att det är ett maxpooling lager, minpooling lager ger istället den vektor med lägst värde. Resultatet efter ett maxpool lager är en bild där mönster och särdrag som är tydliga i bilden blir förstärkta medan de mindre framträdande särdragen minskar eller försvinner helt. Detta gör ett maxpooling lager till ett bra komplement till ett convolutional lager i och med att convolutional lagret plockar ut särdrag och maxpooling lagret förstärker dem (Coors, 2016). Aktiveringslager är helt sammansatta lager. Det betyder att alla noder i föregående lager är kopplade till alla noder i aktiveringslagret, och att alla noder i aktiveringslagret är kopplade till alla noder i nästkommande lager. Aktiveringslagret används för att sätta alla negativa värden från föregående lager till noll medan den behåller positiva värden som de är. Detta sker genom att använda ReLU (Rectified Linear Unit) som aktiveringsfunktion. Ett aktiveringslager med ReLU som aktiveringsfunktion gör det möjligt att hantera både linjärt separerbara och icke linjärt separerbara samband i informationen från tidigare lager. Ett sista lager som är vanligt förekommande vid objektidentifiering är ett klassificeringslager. Antalet noder i ett sådant lager är samma antal klasser som data kan sorteras in i och de är fullt sammankopplade med det föregående lagret. Det som sedan avgör vad nätverket har klassat en bild som är vilken av de noder som har högst värde. Den klass som noden med högst värde representerar är den klass som nätverket har klassat bilden som (Adit, 2019) 1.4 Syfte Denna rapport är ett exempel på implementation av objektidentifiering med ett convolutional neuralt nätverk. Det är alltså inte ett försök att flytta några gränsar för vad som är möjligt med neurala nätverk eller deep learning. Det nätverk som redovisas i denna rapport skapas för att klassificera bilder på kläder ur MNIST fashion datasetet i 10 olika klasser. 2.1 Metod Nätverket skrevs i Google Colabs python notebook miljö i programmeringsspråket python version 2.7. Programmeringsbiblioteken tensorflow (Google, 2019) och keras (Keras, 2019) användes för att bygga själva nätverket och strukturen utgår ifrån tensorflows tutorial i feedforward nätverk (Google, 2019). Det dataset som används är MNIST fashion (Xiao, 2019). Plattformen Google Colab är en notebook som compilerar, exekverar python(python2.7 eller python3.6) kod och visar resultatet av den i samma notebook utan att behöva använda en terminal. Den är användbar för att skriva enklare program som är avgränsade till ett dokument. Google Colab ger även möjligheten att dela upp koden i mindre celler för att exekvera dem separat (Google, 2019). Därför skrevs koden i python version 2.7. Men det krävs mer än enbart Google Colab och python för att göra ett nätverk på ett tidseffektivt 2
4 sätt. Därför användes programmeringsbiblioteken Tensorflow och Keras. Tensorflow är ett flexibelt interface för maksininlärning från Google. Det går att framställa neurala nätverk med modulerna i tensorflow men det finns andra bibliotek som är inriktade på just convolutional neruala nätverk delen av maskininlärning. Keras är ett sådant bibliotek, vilket stödjer convolutional neurala nätverk och är kompatibelt med python verions 2.7, samt med tensorflow. Istället för att behöva manuellt räkna ut storleken på matrisen av pixla efter varje lager så håller keras reda på det och anpassar följande lagren efter. Mjukvarubiblioteket är uppbyggd så att användaren ska snabbt kunna sätta ihop olika moduler till sitt nätverk och är även designat för att minska kognitiv belastning (Keras, 2019). 2.2 Data MNIST fashion var det dataset som valdes för att träna och forma nätverket runt. Det är ett nätverk som tillhandahålls av nätbutiken Zalandos forskningsgrupp (Xiao, 2019). Setet består av träningsexempel och testexempel på olika klädesplagg som har 10 olika klasser. Det ursprungliga MNIST datasetet har använts väldigt flitigt, till exempel i introduktionskurser för artificiell intelligens och maskininlärning. MNIST Fashion är ett försök att skapa ett alternativt dataset med samma form. Denna form är 28x28 pixlar i gråskala. Gråskalan innebär att den vektor som pixeln omvandlas till endast har ett värde, nämligen det värde som är pixelns värde på gråskalan. Bilder som är i RGB-skala skulle ha pixlar med tre värden, ett för det röda värdet i pixeln, ett för det gröna och ett för det blåa värdet i pixeln. 2.3 Utformning av nätverket Uppgiften att sätta upp en struktur för att kunna ta in data, forma den så att den passar för maskininlärning kan ta en hel rapport i sig själv att beskriva. Därför beslutade jag att använda en del av koden i en av Tensorflows tutorials som är fri att användas av alla. Den ligger under en MIT lisens och François Chollet äger upphovsrätten på koden (Chollet, 2019). Den delen av koden laddar ner tidigare nämnda MNIT fashion datasetet, delar upp data i träningsbilder och testbilder tillsammans med deras respektive kategori. Sedan sker två saker med data för att forma den till detta nätverket. Först divideras varje pixels värde med Detta görs för att den gråskala som används går från 0 till 255 så varje pixel har ett värde mellan 0 och 255. När de sedan divideras så får de ett värde mellan 0 och 1. En reshape funktion körs också på tränings och testdata för att lägga till antalet dimensioner på vektorn för varje pixel, vilket är 1 i detta fall. Det neurala nätverket börjar med ett Conv2D lager med 40 noder och en kernel på 3x3 pixlar. Lagret har också ReLU som aktiveringsalgoritm och definierar bildens ursprungliga storlek och hur många värden pixelvektorerna har (28, 28, 1). Efter convolutions lagret så kommer ett Dense lager som är fullt sammankopplat med 128 noder och igen ReLU som aktiveringsalgoritm. Efter det föl er ett MaxPooling2D lager som har en 3
5 poolsize på 2x2 pixlar och en stride på 2 pixlar. Ett till Dense lager som är utformat likadant som det tidigare nämnda lagret. De sista två lagren består av ett Flatten lager som tar den data som tidigare var i matrisformat och gör om den till en enda lång lista med alla pixelvektorer efter varandra och ett Dense lager med 10 noder och softmax som aktiveringsfunktion. I processen att skapa nätverket så testades en rad olika kombinationer av hyperaparametrar. Hyperparametrar är samlingsnamnet för de variabler som nätverket inte kan justera själv för att göra sig själv mer precist i sin uppgift att identifiera klädesplaggen. Två av de olika variablerna som justerades är antalet omgångar convolution med stödlager i nätverket och antalet neuroner i varje lager. Det slutgiltiga valet att ha en omgång av conlvoltion och stödlager istället grundade sig i att nätverkets precision försämrades med fler omgångar, samtidigt som träningstiden ökade avsevärt. Detta innebär att nätverket inte kan identifiera komplexa mönster med kombinationer av särdrag. Utan enbart enkla mönster som kanter och profiler på objekt. Istället gjordes valet att använda 40 noder i convolution lagret. Detta efter tester att använda väldigt för noder (10st) till många (upp till 784st). Kombinationen av att använda en omgång convolution med 40 noder i detta lager samt en kernel storlek på 3 (3x3) innebar för att nätverket som tidigare nämnt inte kan upptäcka komplexa mönster men att det har möjlighet att särskilja 40st olika enklare särdrag. Efter att alla lager i nätverket specificerats angavs hur nätverket ska tränas med en compile funktion. Tre parametrar definierades vid kompileringen: vilken steglängd som ska användas vid felkorrigering, hur loss räknas ut. Samt vad som ska mätas för att utvärdera nätverket, i detta fall accuracy. För att avgöra steglängd användes AdamOptimizer. Det är en algoritm som gör steglängden (korrigeringen av vikter hos noderna i nätverket) mindre allteftersom felet blir mindre i nätverket (Kingma & Ba, 2015). Loss avser hur stor sannolikhet nätverket lade på fel alternativ. Ett större loss-tal visar att nätverket är mer osäker på vilken klass objektet på bilden har och kan tyda på att nätverket undertränats. Medan ett litet loss-tal kan visa på att nätverket har övertränats och helt enkelt memorerat all data (Coors, 2016). Den algoritm som valdes för att räkna ut loss i nätverket var sparse categorical crossentropy. 2.4 Träning av nätverket Nätverket tränades på bilderna och etiketterna som är benämnda train_images och train_labels. Detta gjordes i batches (omgångar) på 32st då den variabeln lämnades på sitt default värde. Hela testmängde nittererades över fem gånger (5 epochs). 2.5 Test av nätverket När nätverket tränats på alla träningsbilder så ska det testas. Tidigare definierades vilket attribut som nätverket skulle testas på, accuracy, med evaluate funktionen följer visas även loss. Nätverket testas genom att de bilder som tingats för testning (test_images) körs genom nätverket och visar hur stor andel bilder som klassades korrekt och hur många som klassades fel. Det utgör 4
6 accuracy. Loss är som tidigare beskrivet hur stor sannolikhet som nätverket lägger vid fel klassifikation. Med dessa två värden, accuracy och loss, utvärderades utformningen av nätverket. Förändringar gjorde på val och placering av lager, samt hyperprametrars värde för att få accuracy så hög som möjligt medan loss skulle vara låg men inte för låg. 3.1 Resultat Nätverket visade en accuracy på ch en loss på vid den senaste versionen, se bilaga 1. Dessa resultat kan variera vid olika omgångar av träning då vikterna på noderna sätts slumpvis varje gång noderna skapas. Vilket de gör med den kod som används i denna artikel. I och med att värdet på vikterna sätts slumpvis så blir träningen lite annorlunda varje gång och det resulterar i marginellt olika resultat. Slumpen används för att det ska gå att använda gradient back propogation då den förlitar sig på att felet hos en vikt står i relation till felet hos vikterna tidigare i nätverket. Så det enklaste sättet att försäkra sig om att vikterna inte likadana är att använda sig av slump. 4.1 Diskussion Syftet med att bygga detta nätverk var inte att göra det mest effektiva eller få bäst resultat, men det finns ändå ett värde i att jämföra accuracy med andra lösningar på fashion mnist datasetet. Zalando research tillhandahåller en benchmark lista från andras lösningar (Xiao, 2019). Nätverket i denna studie nåde som tidigare sagt omkring accuracy. Vilket innebär att 91.7% av bilderna från testdatasetet klassificerades korrekt och att en bild kommer klassificeras korrekt med 91.7% sannolikhet. Den bäst presterande lösningen som Zalando research har testat är en SVC (Support Vektor Classifier) som med 4 snarlika version när till accuracyc (Xiao, 2019). Men de hänvisar även till resultat som de tagit del av från andra parter där convolutional nätverk testats. Dessa nätverk presterar bättre än nätverket i denna artikel. De flesta med accuracy mellan 0.91 och 0.93 (Zalando Research, 2019). Värt att notera är att ett inrapporterat resultat är från en individ som kallas Leo. Han testade en del av data på mänsklig kapacitet och nådde där en accuracy på Så även om nätverket från denna studie inte kunde nå samma resultat som andra lösningar så var den klart bättre än en människa på att lösa uppgiften. 5
7 Referenser Adit, D. (2019, 01 10). A Beginner's Guide To Understanding Convolutional Neural Networks. Retrieved from Convolutional-Neural-Networks/ Chollet, F. (2019, 01 10). Train your first neural network: basic classificer. Retrieved from Google. (2019, 01 10). Colaboratory-Google. Retrieved from Google. (2019, 01 10). TensorFlow. Retrieved from Google. (2019, 01 10). Train your first neural network: basic classification. Retrieved from Home - Keras Dcumentation. (2019, 01 10). Retrieved from Keras. (2019, 01 10). Keras. Retrieved from Home - Keras Documentation: Keras. (2019, 01 10). User experience design for APIs. Retrieved from What is computer vision. (2018, 12 28). Retrieved from Xiao, K. R. (2019, 01 10). Fashion-MNIST. Retrieved from Zalando Research: Zalando Research. (2019, 01 10). Github - Zalando Research Fashion MNIST. Retrieved from Coors, B. (2016). Navigation of Mobile Robots in Human Environments with Deep Reinforcement Learning. KTH ROYAL INSTITUTE OF TECHNOLOGY. Kingma, D. P., & Ba, J. L. (2015). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION. ICLR, P, S. D., & Raj, S. (2018). Object Recognition in Images using Convolutional Neural Network nd International Conference on Inventive Systems and Control (ICISC), (Icisc), Schmidhuber, J. (2014). Deep Learning in Neural Networks : An Overview,
729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merLiswi948, Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens
Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens 2018-01-11 Innehållsförteckning 1 Inledning 1 1.1 Bakgrund 1 1.2 Bilder som tredimensionella matriser
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs merForskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA
Forskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA Evelina Andersson 18 maj 2011 1 Introduktion Att träna mycket för att bli duktig på ett språk
Läs merArtificiell Intelligens Lektion 7
Laboration 6 Artificiell Intelligens Lektion 7 Neurala nätverk (Lab 6) Probabilistiska resonemang Vad? Mönsterigenkänning Lära ett neuralt nätverk att känna igen siffror Varför? Få ökad förståelse för
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 2. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 2 Marco Kuhlmann Institutionen för datavetenskap Förra gången: Gradientsökning tangentens lutning i punkt θ steglängdsfaktor Översikt Introduktion
Läs merWord2Vec. Högkvalitativa vektorrepresentationer av ord tränat på stora mängder data. Innehåll LINKÖPINGS UNIVERSITET. 1. Inledning...
LINKÖPINGS UNIVERSITET Innehåll 1. Inledning... 2 2. Terminologi... 3 3. Allmänt om Word2Vec... 3 4. Continous Skip-gram model... 4 Word2Vec Högkvalitativa vektorrepresentationer av ord tränat på stora
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs mer729G43. Neurala faltningsnät MASKINSYN PÅ SVENSKA VENDELA FOLKER ÅKERLIND
729G43 Neurala faltningsnät MASKINSYN PÅ SVENSKA VENDELA FOLKER ÅKERLIND Innehållsförteckning Bakgrund... 2 Historia... 2 ImageNet... 2 Avgränsningar och språk... 3 Artificiella neurala nät... 3 Tillbakaspridning...
Läs merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merComparing artificial neural network algorithms for classification of reviews
EXAMENSARBETE INOM DATATEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2018 Jämförelse av artificiella neurala nätverksalgoritmer för klassificering av omdömen Comparing artificial neural network algorithms
Läs merArtificiell Intelligens den nya superkraften
Artificiell Intelligens den nya superkraften Socialchefsdagarna, 4 oktober 2018 #CGINext Artificiell Intelligens Förmågan hos mjukvara att agera självständigt på ett intelligent sätt tidigare bara associerat
Läs merGoogle Assistant & WaveNet
Google Assistant & WaveNet Projektrapport om CNN Maja Albrektson 27/12 17 Linköpings universitet 729G43, Artificiell Intelligens 0 SAMMANFATTNING Denna rapport beskriver WaveNet, en generativ modell av
Läs merARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap
ARTIFICIELLA NEURALA NÄT MARCO KUHLMANN Institutionen för datavetenskap Example Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait 1 Yes No No Yes Some $$$ No Yes French 0 10 Yes 2 Yes No No Yes Full
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merHistogram över kanter i bilder
Histogram över kanter i bilder Metod Både den svartvita kanstdetekteringen och detekteringen av färgkanter följer samma metod. Först görs en sobelfiltrering i både vertikal och horisontell led. De pixlar
Läs merObjektorienterad programmering
Objektorienterad programmering Emil Ahlqvist (c10eat@cs.umu.se) Didrik Püschel (dv11dpl@cs.umu.se) Johan Hammarström (c08jhm@cs.umu.se) Hannes Frimmel Moström (c10hml@cs.umu.se) 1 1. Introduktion 1.1 Objektorienterad
Läs mermed hjälp av Deep Reinforcement Learning
Agent som kan spela Atarispel bättre än människor med hjälp av Deep Reinforcement Learning Sofie Adolfsson, sofad117@student.liu.se Artificiell Intelligens Linköpings Universitet 2017-01-12 SofieAdolfsson
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merVindkraft och ML. - hur kan vindkraft dra nytta avml
Vindkraft och ML - hur kan vindkraft dra nytta avml AI och ML Intelligens: förmågan att utnyttja kunskap för att bättre lösa en klass av uppgifter Lärande: förmågan att förbättra sin förmåga att lösa uppgifterna
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merModeller och simulering av språkprocessning
Modeller och simulering av språkprocessning Seriell processmodell + parallell processmodell Parallell modell med 2-vägsförbindelser Artificiellt neuralt nätverk (ANN) Interaktiv aktiverings-modell (IAM)
Läs merIntroduktion till programmering. Programspråk och paradigmer
Introduktion till programmering Programspråk och paradigmer Vad är ett programspråk? Aprogramming languageis a formal constructedlanguagedesigned to communicate instructions to a machine, particularly
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merPerception och Maskininärning i Interaktiva Autonoma System. Michael Felsberg Institutionen för systemteknik Linköpings universitet
Perception och Maskininärning i Interaktiva Autonoma System Michael Felsberg Institutionen för systemteknik Linköpings universitet Vad är WASP? Wallenberg Autonomous Systems Program Sveriges största individuella
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merIgenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program
Igenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program Jerker Björkqvist September 2001 1 Introduktion I detta arbete undersökts hur klassificering av bilddata kan göras med
Läs merFöreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA5 Institutionen för teknik och naturvetenskap Linköpings universitet
Läs mer729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 2 Marco Kuhlmann Förra gången: Linjär regression Gradientsökning Vandra ner i felets dal. Steg 0: Börja med ett godtyckligt värde för θ. Steg 1: Räkna
Läs merMatematik inom tekniksektorn Adam Andersson, MY-dagen 2016
Matematik inom tekniksektorn Adam Andersson, MY-dagen 2016 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Om mig Min bakgrund: Konsult på Syntronic sedan juni 2016 Forskare i matematik på TU-Berlin
Läs merKognitionsvetenskap C, HT-04 Mental Rotation
Umeå Universitet 041025 Kognitionsvetenskap C, HT-04 Mental Rotation Grupp 3: Christina Grahn, dit01cgn@cs.umu.se Dan Kindeborg, di01dkg@cs.umu.se David Linder, c01dlr@cs.umu.se Frida Bergman, dit01fbn@cs.umu.se
Läs merSLUTRAPPORT: TEXAS HOLDEM 4 FRIENDS
SLUTRAPPORT: TEXAS HOLDEM 4 FRIENDS Individuellt Mjukvaruutvecklingsprojekt (Utvecklare av digitala tjänster) Den 1 juni 2011 ABSTRAKT Rapporten tar upp positiva och negativa erfarenheter som jag erhållit
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merProcedurella Grottor TNM084. Sammanfattning. Alexander Steen
Procedurella Grottor TNM084 Alexander Steen alest849@student.liu.se 13-01-12 Sammanfattning Denna rapport beskriver en metod för att skapa procedurella grottor. Grottorna består utav sammanlänkade rum
Läs merMATLAB. Python. Det finns flera andra program som liknar MATLAB. Sage, Octave, Maple och...
Allt du behöver veta om MATLAB: Industristandard för numeriska beräkningar och simulationer. Används som ett steg i utvecklingen (rapid prototyping) Har ett syntax Ett teleskopord för «matrix laboratory»
Läs merOptimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer.
Optimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer. Simon Stensson Juni 6, 2016 Abstract This master thesis explores the feasibility of using genetic algorithms in
Läs merGenetisk programmering i Othello
LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1
Läs merIntroduktionsmöte Innehåll
Introduktionsmöte Innehåll Introduktion till kursen Kursens mål och innehåll Undervisning Datavetenskap (LTH) Introduktionsmöte ST 2019 1 / 14 EDAA01 Programmeringsteknik - fördjupningskurs Ingen sommarkurs
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merBildmosaik. Bilddatabaser, TNM025. Anna Flisberg Linne a Mellblom. linme882. Linko pings Universitet
Bildmosaik Bilddatabaser, TNM025 Linko pings Universitet Anna Flisberg Linne a Mellblom annfl042 linme882 28 maj 2015 Innehåll 1 Introduktion 2 2 Metod 2 2.1 Features..............................................
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merMatcha rätt hjärta till rätt patient med AI. Dennis Medved
Matcha rätt hjärta till rätt patient med AI Dennis Medved Översikt Introduktion IHTSA LuDeLTA Sammanfattning Framtida arbete Introduktion Hjärttransplantation Livräddande operation för patienter med hjärtsvikt
Läs merMartin Burström [dit02mbm] Robert Eriksson [dit02ren] Filip Sjögren [dit02fsn] Handledare: Therese Edvall Daniel Ölvebrink 2009-07-06 22:13
Artificiell intelligens I, 5p Laboration 2 Fördjupning i perception och objektigenkänning Martin Burström [dit02mbm] Robert Eriksson [] Filip Sjögren [dit02fsn] Handledare: Therese Edvall Daniel Ölvebrink
Läs mer3.0. Tips och Trix Sida 1 av 18
3.0 https://beta.scratch.mit.edu/ Tips och Trix 2018-08-31 Sida 1 av 18 Innehåll Starta nytt program 3 Scenens koordinatsystem 3 Centrumpunkt / rotationspunkt 4 Sprajtens inställningar 5 Placering i Z-led
Läs merConfiguration testing Why? Vad det är tänkt att koden ska göra. Performance testing Kommentarer Skriva om koden som kommentar
Skapa testfall Testing Köra testen Hitta fel Inspections and reviews Verifiera resultatet Formal methods Static analysis Completeness Verifiering Kvalitet Maintainability Validering Traceability Fault
Läs merLaboration 2: Designmönster
Laboration 2: Designmönster Bakgrund Det har visat sig väldigt svårt att beskriva hur ett system, eller en dellösning, skall konstrueras på ett bra sätt. Det har överhuvud taget varit svårt att veta om
Läs merProjekt i programmering 1 (ver 2)... 2 Projektidé... 2 Planering... 2 Genomförande... 2 Testning och buggar... 3 Utvärdering... 3 Planering...
Projekt i programmering 1 (ver 2)... 2 Projektidé... 2 Planering... 2 Genomförande... 2 Testning och buggar... 3 Utvärdering... 3 Planering... 4 Bussen (projektförslag)... 5 Bakgrund... 5 Klassen Buss
Läs merLUNG-SEGMENTERING FÖRBEHANDLING AV MEDICINSK DATA VID
LUNG-SEGMENTERING FÖRBEHANDLING AV MEDICINSK DATA VID PREDICERING MED KONVOLUTIONELLA NEURALA NÄTVERK Examensarbete Systemarkitekturutbildningen Gustavsson Robin Jakobsson Johan 2018KSAI09 Systemarkitekturutbildningen
Läs merMaskininlärning med boostrapping. Maskininlärningslabb i Språkteknologi
Maskininlärning med boostrapping Maskininlärningslabb i Språkteknologi Abstrakt Vi undersöker, med hjälp av maskininlärningslabben från denna kurs, hur pass bra resultat bootstrapping ger i samband med
Läs merSkapa om geometriskt na tverk
Produkt: GEOSECMA Modul: Ledning VA Skapad för Version: 10.3 Uppdaterad: 2017-05-04 Skapa om geometriskt na tverk Denna guide beskriver hur ni skapar om det geometriska nätverket för Avlopp respektive
Läs merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merVisuell GUI Testning
Visuell GUI Testning Vad är ett Graphical User Interface (GUI)? Icke-animerat GUI Animerat GUI Nuläget System- och acceptanstestning är dyrt! Manuellt Långsamt Enformigt Svårt att replikera exakt Nödvändigt
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Laboration 1. Linjär Algebra och Avbildningar Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna övning skall
Läs merEnlagersnät Flerlagersnät Generalisering. Artificiella Neuronnät
Artificiella Neuronnät 1 Karaktäristiska egenskaper Användningsområden Klassiska exempel Biologisk bakgrund 2 Begränsningar Träning av enlagersnät 3 Möjliga avbildningar Backprop algoritmen Praktiska problem
Läs merShakey s värld med HTNplanering
Shakey s värld med HTNplanering 2010-10-03 Artificiell Intelligens 2, 729G11 Maria Lindqvist Fördjupningsarbete, HT 2010 880913-0506 Linköpings Universitet marli314 2 Innehållsförteckning Inledning...
Läs merObligatoriska uppgifter i MATLAB
Obligatoriska uppgifter i MATLAB Introduktion Följande uppgifter är en obligatorisk del av kursen och lösningarna ska redovisas för labhandledare. Om ni inte använt MATLAB tidigare är det starkt rekommenderat
Läs merDEEP LEARNING I STARCRAFT 2 AUTOENCODERS FÖR ATT FÖRBÄTTRA END-TO-END LEARNING
DEEP LEARNING I STARCRAFT 2 AUTOENCODERS FÖR ATT FÖRBÄTTRA END-TO-END LEARNING Examensarbete Systemarkitekturutbildningen Victor Frick Kristoffer Mattsson VT 2018:KSAI04 Systemarkitekturutbildningen är
Läs merProjektion av träningsdata på aktuell underrum av dim 1. Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Projektion av träningsdata på aktuell underrum av dim Föreläsning : Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA Institutionen för
Läs merArtificiella Neuronnät
Artificiella Neuronnät 2 3 4 2 (ANN) Inspirerade av hur nervsystemet fungerar Parallell bearbetning Vi begränsar oss här till en typ av ANN: Framåtkopplade nät med lagerstruktur 3 4 Fungerar i princip
Läs merTEM Projekt Transformmetoder
TEM Projekt Transformmetoder Utförs av: Mikael Bodin 19940414 4314 William Sjöström 19940404 6956 Sammanfattning I denna laboration undersöks hur Fouriertransformering kan användas vid behandling och analysering
Läs merVirtuella assistenter för bättre kundupplevelser
Virtuella assistenter för bättre kundupplevelser July 14, 2017 1 Introduktion Hur kan tech och mode samverka för att skapa en bättre kundupplevelse och utveckla e-handelsmarknaden? 1.1 Personligt bemötande
Läs merGränssnitt för FakeGranska. Lars Mattsson
Gränssnitt för FakeGranska av Lars Mattsson (larsmatt@kth.se) Innehållsförteckning 1 Introduktion...3 2 Genomförande:...3 3 Användning...5 4 Kända buggar:...6 5 Källförteckning...6 2 1 Introduktion Taken
Läs merBig Data för Fordon och Transport! Vår Digitala Framtid, Trafikverket!! Björn Bjurling, SICS Swedish ICT, 20150421!
Big Data för Fordon och Transport! Vår Digitala Framtid, Trafikverket!! Björn Bjurling, SICS Swedish ICT, 20150421! Sammanfattning! Big Data är överallt! Big Data Analytics används för att utvinna information
Läs merDependensregler - Lathund
Dependensregler - Lathund INTRODUKTION I textprogrammet TeCST är det möjligt för en skribent att skriva, redigera och klistra in text för att få ut läsbarhetsmått och få förslag på hur texten kan skrivas
Läs merATT ARBETA MED VEKTORGRAFIK
ATT ARBETA MED VEKTORGRAFIK Helene Brogeland Vektorgrafik och animation VT 2014 2014-04-29 Inledning Före aktuell kurs hade jag bara en vag uppfattning av innebörden av vektorgrafik och hade aldrig jobbat
Läs merEnBlightMe! - ett automatiserat stödsystem för upptäckt av potatisbladmögel
EnBlightMe! - ett automatiserat stödsystem för upptäckt av potatisbladmögel Erland Liljeroth, Erik Alexandersson (SLU, Alnarp) Kristin Piikki, Mats Söderström (SLU Skara) Oscar Bagge, Hanna Blomquist,
Läs merAlgoritmer och maskininlärning
Algoritmer och maskininlärning Olof Mogren Chalmers tekniska högskola 2016 De här företagen vill Tjäna pengar Hitta mönster i stora datamängder Göra förutsägelser Klassificera data Förstå människan Maskininlärning
Läs merProjekt i bildanalys Trafikövervakning
Projekt i danalys Trafikövervakning F 99 F 00 Handledare : Håkan Ardö Hösten 3 vid Lunds Tekniska Högskola Abstract Using traffic surveillance cameras the authorities can get information about the traffic
Läs merKlient/server. Översikt. Lektion 1: Webbtekniker från Microsoft. Webbteknik från Microsoft. Klient/server. Designmönster. Utrullning.
Klient/server Översikt Webbteknik från Microsoft. Klient/server. Designmönster. Utrullning. Lektion 1: Webbtekniker från Microsoft Microsoft webbtekniker. ASP.NET. Klientsidan. Internet Information Server.
Läs merLARS ULVELAND HOPFIELDNÄTVERK FÖR IGENKÄNNING AV DEGRADERADE BILDER OCH HANDSKRIVNA TECKEN
LARS ULVELAD HOPFIELDÄTVERK FÖR IGEKÄIG AV DEGRADERADE BILDER OCH HADSKRIVA TECKE E PROJEKTRAPPORT FÖR PROJEKTKURSE I BILDAALYS HT 02 Teori för Hopfieldnätverk Hopfieldmodellen är en typ av neuronnät,
Läs merArbeta med databas. Översikt. Lektion 1: Arbeta med Entity Data Models. Arbeta med Entity Data Models. LINQ (Language Integrated Query).
Arbeta med databas Översikt Arbeta med Entity Data Models. LINQ (Language Integrated Query). Lektion 1: Arbeta med Entity Data Models Introduktion till ADO.NET Entity Framework. Stöd i ADO.NET Entity Framework.
Läs merProject Specification: Analysis of voting algorithms
Project Specification: Analysis of voting algorithms Mikael Falgard Jon Nilsson Computer Science Royal Institute of Technology 12 februari 2012 Introduktion Det är av stor betydelse för demokratin hur
Läs meremopluppen Användning av "Ant" Niklas Backlund Version: 1.4 ( 2002/04/26 07:27:52 UTC)
emopluppen Användning av "Ant" Version: 1.4 ( 2002/04/26 07:27:52 UTC) Niklas Backlund Sammanfattning Det här dokumentet handlar om programmet Ant, som är en byggmiljö för programutvecklingsprojekt. Dess
Läs merAnvändarverifiering från webbkamera Sami Alajarva
Institutionen för kommunikation och information Examensarbete i Datalogi 20p C-nivå Vårterminen 2007 Användarverifiering från webbkamera Sami Alajarva Användarverifiering från Webbkamera Examensrapport
Läs merSjälvlärande Othello-spelare
Självlärande Othello-spelare Kan en dator lära sig att spela Othello? KLAS BJÖRKQVIST och JOHAN WESTER Examensarbete Stockholm, Sverige 2010 Självlärande Othello-spelare Kan en dator lära sig att spela
Läs merNeural bas för kognition
Kommunikation Neural bas för kognition stimulerande, retande inhiberande, förhindrande depolarisation vid tillräckligt mycket retning blir hela neuronen för en stund positivt laddad, då har en SPIKE uppnåtts
Läs merSHAZAM! En!smart!musiktjänst! Linha108! Fördjupningsarbete!729G43!
SHAZAM Ensmartmusiktjänst Linha108 Fördjupningsarbete729G43 Sammanfattning Shazam är en musiktjänst som genom en sökalgoritm kan känna igen ljud och returnera låt och artist till användaren. Detta sker
Läs merProgrammeringsappar. Av Alex
Programmeringsappar Av Alex Omdöme 4/5 40 Kr 10+ År Robot School Robot School kommer från företaget Next is Great I appen Robot School hjälper man roboten R-obbie att nå sitt batteri genom att placera
Läs merÖvningsuppgifter kapitel 8
Inst. för Systemteknik Introduktion till programmering (SMD 180), 5 p Övningsuppgifter kapitel 8 1. Listor är en viktig datatyp i Python. Hur definierar kursboken lista? Vad kallas de värden som tillsammans
Läs merEDAA01 Programmeringsteknik - fördjupningskurs
EDAA01 Programmeringsteknik - fördjupningskurs Läsperiod lp 1+2 (Ges även lp 3) 7.5 hp anna.axelsson@cs.lth.se sandra.nilsson@cs.lth.se http://cs.lth.se/edaa01ht Förkunskapskrav: Godkänd på obligatoriska
Läs merHantering av hazards i pipelines
Datorarkitektur med operativsystem Hantering av hazards i pipelines Lisa Arvidsson IDA2 Inlämningsdatum: 2018-12-05 Abstract En processor som använder pipelining kan exekvera ett flertal instruktioner
Läs merAtt använda Weka för språkteknologiska problem
Att använda Weka för språkteknologiska problem Systemet WEKA (Waikato Environment for Knowledge Acquisition) är en verktygslåda med olika maskininlärningsalgoritmer, metoder för att behandla indata, möjligheter
Läs merAnvändargränssnitt för proaktiv störningshantering för utilities
ISSN 0280-5316 ISRN LUTFD2/TFRT--7623--SE Användargränssnitt för proaktiv störningshantering för utilities Martin Carlson Lund University Department of Automatic Control August 2012 Lund University Department
Läs merBildbehandling, del 1
Bildbehandling, del Andreas Fhager Kapitelhänvisningar till: Image Processing, Analysis and Machine Vision, 3rd ed. by Sonka, Hlavac and Boyle Representation av en bild Så här kan vi plotta en bild tex
Läs merGrundkurs i programmering - intro
Grundkurs i programmering - intro Linda Mannila 4.9.2007 Dagens föreläsning Allmän kursinformation: mål, syfte, upplägg, examination, litteratur, etc. Hur arbetar en dator? Hur vi får datorn att förstå
Läs merMedicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder
Medicinska Bilder, TSBB3 Lab: Mätvärden på Medicinska Bilder Maria Magnusson, 22 Senaste updatering: september 25 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings Universitet Introduktion
Läs merSelf-Organizing Maps
Self-Organizing Maps - oövervakad inlärning i neurala nät Sammanfattning Self-organizing maps är en modell av neurala nätverk med egenskapen av oövervakad inlärning. En self-organizing map organiserar
Läs merAtt referera till objekt
Att referera till objekt En algoritm för generering av refererande uttryck 729G43: Artificiell intelligens Examinator: Arne Jönsson 2 Innehållsförteckning 1. Inledning... 4 1.1 Bakgrund... 4 1.2 Syfte...
Läs merProjekt 3: Diskret fouriertransform
Projekt 3: Diskret fouriertransform Diskreta fouriertransformer har stor praktisk användning inom en mängd olika områden, från analys av mätdata till behandling av digital information som ljud och bildfiler.
Läs merIntroduktion BAS On-Line
Introduktion BAS On-Line Välkommen till Aon Hewitts portal för arbetsvärdering Innehåll Inloggning Din profil Värdering Filhantering Rankingtablå 3 4 5 9 12 Support 15 2 Inloggning För att logga in trycker
Läs merLaboration 2: Designmönster
Laboration 2: Designmönster Bakgrund Det har visat sig väldigt svårt att beskriva hur ett system, eller en dellösning, skall konstrueras på ett bra sätt. Det har överhuvud taget varit svårt att veta om
Läs merARTIFICIELL INTELLIGENS (DEL 2)
ARTIFICIELL INTELLIGENS (DEL 2) ETT NYHETSBREV FRÅN FUTUREWISE FEBRUARI 2018 FUTUREWISE AI PÅ TOPPEN AV HYPEN I detta andra nyhetsbrev om artificiell intelligens fördjupar vi oss i tekniken bakom. Det
Läs merExamensarbete Kandidatexamen En jämförelse mellan två öppna ramverk för objektigenkänning
Examensarbete Kandidatexamen En jämförelse mellan två öppna ramverk för objektigenkänning En undersökning gällande noggrannhet och tidsåtgång vid träning och test A comparison between two open frameworks
Läs mer