پارس‌کدرز چگونه کار می‌کند؟

از پارس‌کدرز بیشترین بهره را ببرید و رویای کاری خود را زندگی کنید.

پارس‌کدرز خریداران یا کارفرمایان را به مجری‌ها /فریلنسرهای خبره‌ای متصل می‌کند که برای انجام پروژه آماده هستند.

تمرین شبکه عصبی با پایتون

پنج سال پیش منتشر شده

تعداد بازدید: 229

کد پروژه: 220555


شرح پروژه

تمرین 

در این تمرین، شما باید ابتدا یک شبکه gan برای دیتاست CIFAR10 آموزش دهید. انتخاب ساختار و دیگر پارامتر های آموزش بر عهده خود شماست و باید نحوه انتخاب آن را داخل گزارش خود ذکر کنید. همچنین چند نمونه از تصاویر ساخته شده را نیز در داخل گزارش خود اضافه کنید. لینک دیتاست نیز در انتهای این داکیومنت قرار گرفته است. پس از انتخاب ساختار مناسب برای شبکه GAN، یک شبکه کانولوشنی ساده (با تعداد لایه های دلخواه) برای طبقه بندی این دیتاست پیاده سازی کنید، سپس به تعداد کلاس ها (۱۰ کلاس) برروی هر کلاس یک شبکه GAN با ساختار پیشین آموزش داده و از داده های تولید شده برای data augmentation استفاده کنید و بهبود دقت در شبکه طبقه بندی را گزارش کنید.

لینک دیتاست:

https://www.cs.toronto.edu/~kriz/cifar.html

کد جهت استفاده 

from _future_ import print_function, division

from tensorflow.keras.datasets import mnist

from tensorflow.keras.layers import Input, Dense, Reshape, Flatten, Dropout

from tensorflow.keras.layers import BatchNormalization, Activation, ZeroPadding2D

from tensorflow.keras.layers import LeakyReLU

from tensorflow.keras.layers import UpSampling2D, Conv2D

from tensorflow.keras.models import Sequential, Model

from tensorflow.keras.optimizers import Adam

import matplotlib.pyplot as plt

import sys

import numpy as np

class GAN():

    def _init_(self):

        self.img_rows = 28

        self.img_cols = 28

        self.channels = 1

        self.img_shape = (self.img_rows, self.img_cols, self.channels)

        self.latent_dim = 100

        optimizer = Adam(0.0002, 0.5)

        # Build and compile the discriminator

        self.discriminator = self.build_discriminator()

        self.discriminator.compile(loss='binary_crossentropy',

            optimizer=optimizer,

            metrics=['accuracy'])

        # Build the generator

        self.generator = self.build_generator()

        # The generator takes noise as input and generates imgs

        z = Input(shape=(self.latent_dim,))

        img = self.generator(z)

        # For the combined model we will only train the generator

        self.discriminator.trainable = False

        # The discriminator takes generated images as input and determines validity

        validity = self.discriminator(img)

        # The combined model  (stacked generator and discriminator)

        # Trains the generator to fool the discriminator

        self.combined = Model(z, validity)

        self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)

    def build_generator(self):

        model = Sequential()

        model.add(Dense(256, input_dim=self.latent_dim))

        model.add(LeakyReLU(alpha=0.2))

        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(512))

        model.add(LeakyReLU(alpha=0.2))

        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(1024))

        model.add(LeakyReLU(alpha=0.2))

        model.add(BatchNormalization(momentum=0.8))

        model.add(Dense(np.prod(self.img_shape), activation='tanh'))

        model.add(Reshape(self.img_shape))

        model.summary()

        noise = Input(shape=(self.latent_dim,))

        img = model(noise)

        return Model(noise, img)

    def build_discriminator(self):

        model = Sequential()

        model.add(Flatten(input_shape=self.img_shape))

        model.add(Dense(512))

        model.add(LeakyReLU(alpha=0.2))

        model.add(Dense(256))

        model.add(LeakyReLU(alpha=0.2))

        model.add(Dense(1, activation='sigmoid'))

        model.summary()

        img = Input(shape=self.img_shape)

        validity = model(img)

        return Model(img, validity)

    def train(self, epochs, batch_size=128, sample_interval=50):

        # Load the dataset

        (X_train, ), (, _) = mnist.load_data()

        # Rescale -1 to 1

        X_train = X_train / 127.5 - 1.

        X_train = np.expand_dims(X_train, axis=3)

        # Adversarial ground truths

        valid = np.ones((batch_size, 1))

        fake = np.zeros((batch_size, 1))

        for epoch in range(epochs):

            # ---------------------

            #  Train Discriminator

            # ---------------------

            # Select a random batch of images

            idx = np.random.randint(0, X_train.shape[0], batch_size)

            imgs = X_train[idx]

            noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

            # Generate a batch of new images

            gen_imgs = self.generator.predict(noise)

            # Train the discriminator

            d_loss_real = self.discriminator.train_on_batch(imgs, valid)

            d_loss_f…

مهارت ها و تخصص های مورد نیاز


مهلت برای انجام

2روز

وضعیت مناقصه

بسته


درباره کارفرما

عضویت پنج سال پیش

5 پروژه ثبت شده ،
0 پروژه در حال انجام ،
0 پروژه آماده دریافت پیشنهاد ،
نرخ پذیرش پیشنهاد 0%

برای پیدا کردن پروژه‌های مشابه ثبت نام کنید و پروفایل خود را بسازید.

ورود با گوگل
یا
نام نباید خالی باشد.
نام خانوادگی نباید خالی باشد.

نیاز به استخدام فریلنسر یا سفارش پروژه مشابه دارید؟

سفارش پروژه مشابه

نیاز به استخدام فریلنسر یا سفارش پروژه مشابه دارید؟

سفارش پروژه مشابه

قادر به انجام این پروژه هستید؟

ثبت نام کنید

متأسفانه مهلت ارسال پیشنهاد این پروژه به پایان رسیده و پروژه بسته شده است؛ اما فرصت‌های متعددی در سایت موجود می‌باشد.

سری به پروژه‌های مشابه بزنید

روش کار در پارس‌کدرز

به رایگان یک حساب کاربری بسازید

مهارت‌ها و تخصص‌های خود را ثبت کنید، رزومه و نمونه‌کارهای خود را نشان دهید و سوابق کاری خود را شرح دهید.

به شیوه‌ای که دوست دارید کار کنید

برای پروژه‌های دلخواه در زمان دلخواه پیشنهاد قیمت خود را ثبت کنید و به فرصت‌های شغلی منحصر به فرد دسترسی پیدا کنید.

با اطمینان دستمزد دریافت کنید

از زمان شروع کار تا انتهای کار به امنیت مالی شما کمک خواهیم کرد. وجه پروژه را از ابتدای کار به امانت در سایت نگه خواهیم داشت تا تضمین شودکه بعد از تحویل کار دستمزد شما پرداخت خواهد شد.

می‌خواهید شروع به کار کنید؟

یک حساب کاربری بسازید


بهترین مشاغل فریلنسری را پیدا کنید
رشد شغلی شما به راحتی ایجاد یک حساب کاربری رایگان و یافتن کار (پروژه) متناسب با مهارت‌های شما است.

پیدا کردن کار (پروژه)

تماشای دمو روش کار