Породжуюча модель побудови образів

Abstract

Неймовірно, як сильно продвинулась промисловість ШI за останні десять років у багатьох галузях - від безпілотних автомобілів до розпізнавання та синтезу мови. Завдяки цим досягненням у багатьох компаніях та організаціях заговорили про ШІ не як про щось фантастичне, а як про індустрію, що впливає на наше життя вже сьогодні. Засоби масової інформації говорять про ШІ чи не кожного дня, а технологічні гіганти один перед іншим розповідають про своїх багатообіцяючі плани на ці технології. Поки деякі інвестори та топ-менеджери намагаються зрозуміти, як створювати цінності в цьому новому світі, більшість відчайдушно намагається розробити, що взагалі це все означає. У той же час, державні управління шукають способи зменшити вплив повальної автоматизації. Розуміючи, що ШІ повпливає на всю світову економіку, учасники цих дискусій представляють собою всі багатообразні сторони, рівні розуміння та ступені компетентності, на яких лиш і можна розробляти та використовувати системи зі ШІ. Тому необхідний весь цей діалог - включаючи питання, відповіді та рекомендації – вести на основі даних та об'єктивної реальності, а не уявлень. Екстрапольовувати уявні результати з наукових публікацій, статей у профільних ЗМІ, спекуляціях та інших мисленнєвих експериментах на наше майбутнє - це занадто просто (і іноді занадто захоплююче). Актуальність теми дипломної роботи полягає в тому, що розвиток теорії породжуючих нейронних мереж зробити неоціненний вклад у багатьох галузях життєдіяльності людини. 9 Об'єктом дослідження є глибокі нейронні мережі. Предметом дослідження є нейронна інформаційна мережа, що спочатку навчилася на великих об’ємах даних (зображень) і тому може сама генерувати інші образи. Мета дипломної роботи: моделювання нейронної мережі VGG-16 на базі фреймворку Keras. Для досягнення мети дипломної роботи поставлено такі завдання: - проаналізувати способи реалізацій породжуючих нейронних мереж; - в залежності від висновків аналізу, вибрати спосіб моделювання мережі; - обрати необхідне програмне забезпечення; - описати структуру нейронної мережі; - оцінити результати роботи мережі. Практичною основою для дослідження стала зростаюча популярність у вивченні та імплементуванні методів машинного навчання у сучасних приладах, програмному забезпеченні, що розкриває нескінчений потенціал у використанні даних у виробництві чи професійній діяльності.