BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Walentynowicz Wiktor, Jóźwiak Ireneusz J. (Politechnika Wrocławska)
Title
Strategia doboru parametrów sieci neuronowej w rozpoznawaniu pisma
Selection Strategy of the Neural Network Parameters in the Handwriting Recognition
Source
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska, 2016, z. 96, s. 463-468, rys., bibliogr. 6 poz.
Keyword
Sieci neuronowe, Rozkład prawdopodobieństwa, Badania naukowe
Neural networks, Probability distributions, Scientific research
Note
streszcz., summ.
Abstract
W pracy przedstawiono propozycje dobierania parametrów sieci neuronowej w celu usprawnienia wartości skuteczności sieci w rozpoznawaniu cyfr zapisanych pismem ręcznym. Sieć neuronową wyuczoną do tego celu utworzono przy użyciu biblioteki Keras. Analizie poddano parametry: momentum oraz współczynniki nauki i rozkładu. Artykuł zawiera badania, wnioski oraz wskazówki do dalszych badań dotyczących rozpoznawania pisma. (abstrakt oryginalny)

The paper presents the problem of selection the parameters of neural network for increasing network performance. Trained neural network was created with Keras library. Analyzed parameters: momentum, learning rate and decay. The article contains researches, conclusions and advices for further research in the field of handwriting recognition. (original abstract)
Full text
Show
Bibliography
Show
  1. Bottou L.: Large-scale machine learning with stochastic gradient descent. Proceedings of COMPSTAT'2010. Physica-Verlag HD, 2010, p. 177-186.
  2. Glorot X., Bordes A., Bengio Y.: Deep Sparse Rectifier Neural Networks. Aistats, vol. 15, No. 106, 2011.
  3. Keras: Deep Learning library for Theano and TensorFlow, https://keras.io/ (20.08.2016).
  4. Diederik K., Ba J.: Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980 (2014).
  5. MNIST database, http://yann.lecun.com/exdb/mnist/ (20.08.2016).
  6. Nitish S., et al.: Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, vol. 15, No. 1, 2014, p. 1929-1958.
Cited by
Show
ISSN
1641-3466
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu