В.Ю. Ильичев1, И.В. Чухраев2

1, 2 Калужский филиал МГТУ им. Н.Э. Баумана (г. Калуга, Россия)

Постановка проблемы. Один из перспективных методов машинного обучения, рассматриваемый в статье, предназначен для генерирования данных на основе состязательной работы двух нейросетей (генератора и дискриминатора). Этот класс нейросетевых моделей, несмотря на сложность топографии, все чаще используется в различных отраслях науки, например, в кинематографии и дизайне.

Цель. Разработать программу обработки данных с использованием глубокого обучения генеративно-состязательной нейронной сети для создания новых образцов графических изображений. Программа должна быть написана на языке Python с использованием библиотек, расширяющих набор команд для осуществления дополнительных функций: работы с нейросетями Keras; интеграции с операционной системой Os; вывода графиков Matplotlib; работы с массивами данных Numpy.

Результаты. Создана программа и проведена процедура обучения одной из возможных моделей. Дана оценка ошибок генератора и дискриминатора и точности, достигаемой моделью в зависимости от числа циклов (эпох) ее обучения. По результатам работы сделаны выводы и приведены рекомендации для дальнейшего использования рассмотренного способа создания и обучения генеративно-состязательных нейросетей.

Практическая значимость. Изложенные в статье принципы использования модуля глубокого обучения Keras для работы с генеративно-состязательными сетями можно применять для генерации семплов практически любых классов изображений и прочих объектов.

Ильичев В.Ю., Чухраев И.В. Обработка данных с использованием глубокого обучения генеративно-состязательной нейронной сети (GAN) // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 5. С. 51−56. DOI: https://doi.org/10.18127/ j15604128-202104-05

1. Чумаков В.Е. Использование технологии DeepLearning // Сб. научных трудов по материалам Междунар. научно-практич. конф. «Траектория научно-технологического развития России с учетом глобальных трендов». Под общ. ред. Е.П. Ткачевой. 2019. С. 172−175.
2. Магомадов В.С. Применение генеративно-состязательной сети для создания синтетических данных // Вестник современных исследований. 2018. № 6.3(21). С. 517−519.
3. Федоренко С.А., Фешина Е.В. Сферы применения генеративно-состязательных нейросетей // Сб. материалов I Всерос. студенческой научно-практич. конф. «Цифровизация экономики: направления, методы, инструменты». 2019. С. 226−228.
4. Шкиря А.С. Разработка генеративно-состязательной сети для создания изображений // Сб. статей по материалам XCII студенческой Междунар. научно-практич. конф. «Научное сообщество студентов. Междисциплинарные исследования». 2020. С. 37−42.
5. Kingma, Diederik and Jimmy Ba. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. 2014. URL = https://arxiv.org/abs/1412.6980v8 (дата обращения: 09.07.2021).
6. Демин И.С., Белов Ю.С., Чухраев И.В. Обучение сверточной нейронной сети на базе архитектуры U-net с использованием минимальных ресурсов // Электромагнитные волны и электронные системы. 2019. Т. 24. № 7. С. 24−29.
7. Плотников М.В. GAN – генеративные состязательные искусственные нейронные сети // Сб. материалов XIII Всерос. молодежной научно-инновационной школы «Математика и математическое моделирование». 2019. С. 290−292.
8. Ткачёв Н.М., Федяев О.И. Параметрическое описание моделей глубоких нейронных сетей в библиотеке Keras // Сб. научных трудов II Междунар. научно-практич. конф. «Программная инженерия: методы и технологии разработки информационно-вычислительных систем» (ПИИВС-2018) (студенческая секция). В 2-х томах. Донецк. 2018. С. 259−263.
9. Keras: The Python Deep Learning library. Keras documentation. URL = https://keras.io/#why-thisname-keras. (дата обращения 09.07.2021).
10. Ильичев В.Ю. Использование парсинга для создания базы метеорологических данных и разработка на ее основе нейросетевой модели прогнозирования скорости ветра // Системный администратор. 2020. № 10(215). С. 92−95.
11. Фролов П.В., Чухраев И.В., Гришанов К.М. Применение искусственных нейронных сетей в системах обнаружения вторжений // Системный администратор. 2018. № 9(190). С. 80−83.
12. Дли М.И., Пучков А.Ю., Лобанева Е.И. Алгоритмы формирования изображений состояний объектов для их анализа глубокими нейронными сетями // Прикладная информатика. 2019. Т. 14. № 2(80). С. 43−55.
13. Ильичев В.Ю., Юрик Е.А. Обработка статистических данных методом глубокого обучения с использованием модуля Keras // Научное обозрение. Технические науки. 2020. № 5. С. 16−20.