Dirbtinių neuroninių tinklų schemų brėžimo programa Artificial Neural Network Plotting Software

Ištrauka

Dirbtinių neuroninių tinklų schemų brėžimo programa 
Baigiamasis bakalauro darbas

TURINYS
SANTRAUKA 5
SUMMARY 6
1. ĮVADAS 7
2. LITERATŪROS IR ĮRANKIŲ ANALIZĖ 8
2.1. Dirbtiniai neuroniniai tinklai 8
2.1.1. Kas yra dirbtiniai neuroniniai tinklai 8
2.1.2. Dirbtinių neuroninių tinklų tipai 9
2.1.2.1. Autoenkoderiai 9
2.1.2.2. Konvoliuciniai neuroniniai tinklai 11
2.1.2.3. Rekurentiniai neuroniniai tinklai 11
2.1.2.4. Generatyvūs priešpriešiniai tinklai 12
2.1.2.5. Priekin nukreipti neuroniniai tinklai 13
2.2. Esamų dirbtinių neuroninių tinklų vizualizavimo įrankių analizė 14
2.2.1. Net2Vis 14
2.2.2. Visualkeras 15
2.2.3. NN-SVG 15
2.2.4.Tensorboard 17
2.2.5. Keras-sequental-ascii (Sequental modeli in Keras -> ASCII) 17
2.2.6. Netron 18
2.2.7. ENNUI 18
2.2.8. Moniel 19
2.2.9. Netscope CNN Analyzer 20
2.2.10. Quiver 20
2.2.11. Keras model.summary ir Keras plot_model 21
2.2.12. Įrankių palyginimas 22
2.3. Moksliniuose darbuose naudojamų dirbtinių neuroninių tinklų modelių 
schemų analizė 23
2.4. Dirbtinių neuroninių tinklų bibliotekų / karkasų analizė 23
2.4.1. TensorFlow 24
2.4.2. Keras 24
2.4.3. PyTorch 24
2.4.4. Caffe 25
2.4.5. Bibliotekų / karkasų apibendrinimas 25
3. VIZUALIZAVIMO ĮRANKIO KŪRIMO METODAI 26
3.1. Kuriamo įrankio reikalavimai 26
3.2. Kuriamo įrankio grafinė sąsaja 26
3.3. Keras bibliotekos ypatybės 26
4. VIZUALIZAVIMO ĮRANKIO KŪRIMAS 28
4.1. Naudojamos technologijos 28
4.2. Modelio savybių ištraukimas iš Python kodo 28
4.2.1. Modelio sluoksnio savybių „išlukštenimas“ 28
4.2.2. Modelio išeinančių mazgų gavimas 29
4.2.3. Papildomų savybių priskyrimas modelio sluoksniams 30
4.2.3.1. Modelio sluoksnių eilės ir stulpeliai 30
4.2.3.2. Modelio sluoksnių dydis ir koordinatės schemos paveikslėlyje 32
4.3. Schemos piešimas HTML Canvas elemente 33
4.3.1. Sluoksnio spalvų priskyrimas 34
4.3.2. Sluoksnio kitų savybių priskyrimas 35
4.3.3. Schemos piešimas 35
4.4. Grafinė sąsaja 36
4.4.1. Nustatymų skydelis 36
4.4.2. Schemos rodymo „canvas“ elementas 36
4.5. Dirbtinių neuroninių tinklų modeliai eksperimentams 36
4.5.1. Modelių architektūros įgyvendinimas programiniu kodu 36
4.5.2. Modelių architektūros schemos generavimo bandymai įrankyje 37
4.5.2.1. Skirtingų modelių schemų generavimas įrankyje 37
4.5.2.2. Skirtingų įrankio nustatymų pritaikymas generuojamai modelio schemai
38
5. REZULTATAI IR APIBENDRINIMAS 39
5.1. Rezultatai 39
5.2. Išvados 39
LITERATŪRA 40
PRIEDAI 47


1. ĮVADAS
Dirbtiniai neuroniniai tinklai ir jų naudojimas greitai populiarėja įvairiose srityse.
Pastaraisiais metais juos įsisavino ne tik mokslininkai ir studentai, dirbantys ir besimokantys
informacinių technologijų srityje, tačiau ir verslai bei inovatyvių technologijų entuziastai.
Dirbtinius neuroninius tinklus galima pritaikyti dideliame kiekyje verslo sričių: finansų [1]–[2],
reklamos [3], sveikatos priežiūros [4]–[5], transporto ir logistikos [6]–[10], prekybos [11]–[12],
gamybos [13]–[15], energetikos[16]–[18], telekomunikacijos [19]–[21], draudimo [22]–[23],
švietimo [24]–[25], ir kitose srityse. Tokios plačios dirbtinių neuroninių tinklų pritaikymo
galimybės, didesnės ir lengviau prieinamos duomenų aibės ir auganti kompiuterių skaičiavimo
jėga, stumia jų inovacijas į priekį, kas padeda kurti vis sudėtingesnius ir didesnius gebėjimus
turinčius dirbtinius neuroninius tinklus. Tačiau vis didėjant dirbtinių neuroninių tinklų
architektūrų sudėtingumui auga ir poreikis juos suprasti bei interpretuoti. Tam į pagalbą
pasitelkiami dirbtinių neuroninių tinklų vizualizavimo įrankiai, kurie padeda lengviau įsisavinti
ir analizuoti jų architektūrą ir architektūros savybes.
Darbo tikslas – sukurti dirbtinių neuroninių tinklų modelių vizualizavimo įrankį, kuris
pasinaudodamas modelio programiniu kodu automatiškai sugeneruotų schemą ir turėtų
galimybę sugeneruotą schemą stilizuoti.
Darbo uždaviniai:
1. Išanalizuoti esamus dirbtinių neuroninių tinklų modelių vizualizavimo įrankius ir kaip 
dirbtinių neuroninių tinklų modeliai vizualizuojami moksliniuose darbuose;
2. Išanalizuoti dirbtiniams neuroniniams tinklams kurti naudojamas bibliotekas ir / ar 
karkasus ir pasirinkti tinkamą;
3. Suprogramuoti vizualizavimo įrankį pasirinkta kalba ir bibliotekomis.
Baigiamąjį darbą sudaro šios dalys: įvadas, analitinė dalis, metodinė dalis, įgyvendinimo
dalis, rezultatai ir apibendrinimas, literatūros sąrašas bei priedai. Analitinėje dalyje yra
apžvelgiama literatūra apie neuroninius tinklus ir jų tipus, analizuojami esami dirbtinių
neuroninių tinklų vizualizavimo įrankiai, apžvelgiama kaip dirbtinių neuroninių tinklų
architektūros yra vaizduojamos moksliniuose darbuose ir analizuojamos skirtingos dirbtinių
neuroninių tinklų bibliotekos bei karkasai. Metodinėje dalyje kuriamam įrankiui išsikeliami
funkciniai reikalavimai ir sukuriamas grafinės...