Konvolucijske neuronske mreže

diplomski rad

• Autor: Kristina Džomba
• Mentor: Saša Singer (mentor)
• Član povjerenstva: Saša Singer (predsjednik povjerenstva)
• Član povjerenstva: Mladen Jurak (član povjerenstva)
• Član povjerenstva: Vedran Čačić (član povjerenstva)
• Član povjerenstva: Maja Starčević (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2018-07-18, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

U ovom diplomskom radu detaljno je obrađen model konvolucijskih neuronskih mreža. U prvom dijelu rada dan je uvod u klasične neuronske mreže, radi boljeg razumijevanja arhitekture i osnovnih pojmova dubokih modela. Drugi dio rada započinje opisom operacije konvolucije, koja se primjenjuje u konvolucijskim mrežama. U nastavku smo opisali svaki sloj konvolucijske mreže te dali matematički prikaz algoritma učenja modela. Nakon toga, naveli smo neke od najčešćih problema koji se javljaju prilikom učenja mreže te prikazali neke od optimizacijskih i regularizacijskih metoda, koje rješavaju dane probleme i poboljšavaju učenje modela. Na samom kraju rada, opisali smo implementacijsko rješenje za problem neuronskog prijenosa stila, s umjetničke slike na odabranu fotografiju. Model je razvijen pomoću biblioteke TensorFlow za strojno učenje. Za učenje modela korištena je okolina razvojnog oblaka Google Colaboratory, koja pruža besplatnu upotrebu grafičkih kartica. Rezultati modela su slike s primijenjenim stilom drugih slika, koje su prikazane u posljednjem poglavlju rada.

Sažetak (engleski)

In this thesis we gave a detailed view of convolutional neural network models. In the first part of the thesis, we presented a gentle introduction to classic neural networks for better understanding, with some basic concepts of deep learning models. Second part of the thesis begins with the convolution operation description, which is the main carrier operation in convolutional neural networks. Furthermore, we described every CNN layer, and gave a mathematical background for the learning algorithm. After that, we presented some most common problems which can occur while training deep models. We described some optimization and regularization methods that can solve these problems and improve the model learning. Lastly, we described an implementation for neural style transfer problem, from an artistic image to a chosen photography. The model is implemented using TensorFlow machine learning library. Model is learned in Google Colaboratory environment which offers free GPU support. Results of the model computations are images, with style transferred from other images, as shown in the last chapter of the thesis.

• Ključne riječi: konvolucijske neuronske mreže; konvolucija; algoritam učenja modela; neuronski prijenos stila; TensorFlow; Google Colaboratory
• Ključne riječi (engleski): convolutional neural network; convolution; learning algorithm; neural style transfer problem; TensorFlow; Google Colaboratory
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:020017
• Studijski program: Naziv: Računarstvo i matematika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2018-11-23 11:30:36