شبکه عصبی دوتایی (BNN) در مجموعه داده MNIST

Summarize this content to 400 words in Persian Lang

نویسنده

من یک علاقه‌مند به یادگیری ماشین و هوش مصنوعی هستم، با تمرکز بر محاسبات کارآمد و بهینه‌سازی شبکه‌های عصبی. هدف من این است که فناوری‌های SoTA AI را کشف کنم و با به اشتراک گذاشتن دانش و راه‌حل‌های نوآورانه به جامعه منبع باز کمک کنم.

می توانید کارهای من را در GitHub دنبال کنید: Jad Tounsi El Azzoianiبا من در لینکدین ارتباط برقرار کنید: جاد تونسی ال آزویانی

مقدمه

این پروژه اجرای و عملکرد a شبکه عصبی باینریزه (BNN) در محبوب مجموعه داده MNIST، که شامل مجموعه ای از ارقام دست نویس است. BNN ها از وزن های باینری و در برخی موارد از فعال سازی های باینری استفاده می کنند که کارایی محاسباتی و مناسب بودن را برای محیط های محدود به منابع مانند سیستم های تعبیه شده و دستگاه های لبه.

پیش نیازها

قبل از اجرای پروژه، مطمئن شوید که موارد زیر را نصب کرده اید:

پایتون 3.x

نوت بوک ژوپیتر یا JupyterLab

TensorFlow
ناپخته
Matplotlib
لارق

این کتابخانه ها برای ساخت و آموزش مدل BNN ضروری خواهند بود.

نصب و راه اندازی

برای تنظیم محیط اجرای این پروژه، مراحل زیر را دنبال کنید:

نصب کنید پایتون 3.x از وب سایت رسمی پایتون
نصب کنید مشتری با استفاده از پیپ:

pip install jupyterlab

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

کتابخانه های مورد نیاز را نصب کنید:

pip install tensorflow numpy matplotlib larq

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

اجرای نوت بوک

پس از تنظیم محیط، مراحل زیر را برای اجرای پروژه دنبال کنید:

یک ترمینال یا خط فرمان را باز کنید و به دایرکتوری حاوی آن بروید .ipynb فایل
برای راه اندازی Jupyter Notebook دستور زیر را اجرا کنید:

jupyter notebook

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

از رابط Jupyter، را باز کنید binarized-neural-network-mnist.ipynb فایل
برای آموزش BNN در مجموعه داده های MNIST، دستورالعمل های موجود در دفترچه یادداشت را دنبال کنید.

محتویات نوت بوک

دفترچه یادداشت در بخش های زیر سازماندهی شده است:

مقدمه ای بر BNN ها: نگاهی اجمالی به شبکه های عصبی باینریزه و مزایای آنها.

در حال بارگیری مجموعه داده MNIST: دستورالعمل بارگیری و پیش پردازش مجموعه داده MNIST برای آموزش.

ساخت مدل BNN: مراحل تعریف و کامپایل BNN با استفاده از TensorFlow و Larq.

آموزش مدل: آموزش BNN بر روی مجموعه داده MNIST و تجسم فرآیند.

ارزیابی و نتایج: ارزیابی عملکرد مدل و رعایت دقت و کارایی BNN.

نتیجه گیری: خلاصه ای از یافته های پروژه و زمینه های بالقوه برای کارهای آینده.

نتایج مورد انتظار

پس از اجرای نوت بوک، باید:

مفاهیم اصلی پشت شبکه های عصبی باینریزه را درک کنید.
ببینید چگونه می‌توان BNN‌ها را برای وظایف تشخیص تصویر مانند طبقه‌بندی رقم در مجموعه داده MNIST اعمال کرد.
مزایای استفاده از وزن‌های باینری و فعال‌سازی‌ها برای اجرای کارآمد مدل را بررسی کنید.

اعتبارات

این پروژه اهرمی است لارق کتابخانه، یک کتابخانه یادگیری عمیق منبع باز برای آموزش شبکه های عصبی با وزن ها و فعال سازی های کم دقت، مانند شبکه های عصبی باینریزه. بیشتر بدانید لارق با مراجعه به اسناد رسمی یا مخزن GitHub.

نتیجه گیری

را شبکه عصبی باینریزه پروژه نشان می دهد که چگونه BNN ها می توانند کارایی محاسباتی قابل توجهی را برای وظایف یادگیری ماشین ارائه دهند. با کار با مجموعه داده MNIST، ما کاربرد عملی BNN ها را در یک سناریوی واقعی به نمایش می گذاریم. این پروژه همچنین به عنوان پایه ای برای اکتشاف بیشتر در شبکه های عصبی با دقت پایین و پتانسیل آنها برای استقرار در محیط های با محدودیت منابع عمل می کند.

این کار اهمیت بهینه‌سازی شبکه‌های عصبی را برای استنتاج سریع‌تر و کارآمدتر و در عین حال حفظ دقت، به‌ویژه در سناریوهایی که منابع محدود هستند، مانند دستگاه‌های IoT و پلتفرم‌های تلفن همراه، برجسته می‌کند.

   pip install jupyterlab

   pip install tensorflow numpy matplotlib larq

   jupyter notebook