Preview

Труды Института системного программирования РАН

Расширенный поиск

Проектирование интерфейсов классов графовой модели нейронной сети

https://doi.org/10.15514/ISPRAS-2019-31(4)-6

Полный текст:

Аннотация

Описывается подход к тестированию искусственных нейронных сетей, реализованный в программе на языке Си++ в виде набора структур данных и алгоритмов их обработки. В качестве структур данных используются классы языка Си++, реализующие работу с такими объектами, как вершина графа, ребро, ориентированный и неориентированный граф, остовное дерево, цикл. Приводятся интерфейсы важнейших перегруженных операций над используемыми объектами и тестирующих процедур. Дан пример реализации одной из тестирующих процедур, использующий перегруженные операции над используемыми объектами.

Об авторах

Юрий Леонидович Карпов
ООО Люксофт Профешнл
Россия
Кандидат технических наук, начальник отдела


Ирина Анатольевна Волкова
Московский государственный университет имени М.В. Ломоносова
Россия
Кандидат физико-математических наук, доцент по кафедре алгоритмических языков ф-та ВМК


Алексей Александрович Вылиток
Московский государственный университет имени М.В. Ломоносова
Россия
Кандидат физико-математических наук, доцент по кафедре алгоритмических языков ф-та ВМК


Леонид Евгеньевич Карпов
Институт системного программирования им. В.П. Иванникова РАН, Московский государственный университет имени М.В. Ломоносова
Россия
Доктор технических наук, ведущий научный сотрудник ИСП РАН, доцент кафедры системного программирования ф-та ВМК


Юрий Геннадьевич Сметанин
Федеральный исследовательский центр «Информатика и управление» РАН, Московский физико-технический институт (технический университет)
Россия
Доктор физико-математических наук, главный научный сотрудник ВЦ РАН им А.А. Дородницына ФИЦ «Информатика и управление» РАН, старший научный сотрудник кафедры интеллектуальных систем ф-та ФУПМ МФТИ


Список литературы

1. Ciresan D., Meier U., Masci J., and Schmidhuber J. Multi-column deep neural network for traffic sign classification. Neural Networks, vol. 12, 2012, pp. 333-338.

2. David Talbot. CES 2015: Nvidia Demos a Car Computer Trained with “Deep Learning”. MIT Technology Review, January 6, 2015, available at: https://www.technologyreview.com/s/533936/ces-2015-nvidia-demos-a-car-computer-trained-with-deep-learning/.

3. Roth S. Shrinkage Fields for Effective Image Restoration. In Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, pp. 2774 - 2781.

4. Deng L. and Yu D. Deep Learning: Methods and Applications, Foundations and Trends in Signal Processing vol. 7, no. 3–4, 2014, pp. 1–19.

5. Ю.Л. Карпов, Л.Е. Карпов, Ю.Г. Сметанин. Адаптация общих концепций тестирования программного обеспечения к нейронным сетям. Программирование, т. 44, № 5, 2018, стр. 43-56. DOI: 10.31857/S013234740001214-0 / Yu.L. Karpov, L.E. Karpov, Yu.G. Smetanin, Adaptation of General Concepts of Software Testing to Neural Networks. Programming and Computer Software, vol. 44, № 5, 2018, pp. 324-334. DOI: 10.1134/S0361768818050031.

6. Rosenblatt Frank. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Spartan Books, Washington DC, 1961, 616 p.

7. Kohonen Т. Self-Organization and Associative Memory. New York: Springer, 1984, 332 p.

8. Grossberg S. Nonlinear Neural Networks: Principles, Mechanisms, and Architectures. Neural Networks, vol. 1, issue 1, 1988, pp. 17-61.

9. Hebb D.O. The Organization of Behavior. Wiley, New York, 1948, 335 p.

10. Harary F. Graph theory, Addison Wesley, 1969, 273 p.

11. Ore O. Theory of graphs. American Mathematical Society, Providence, RI, 1962, 269 p.

12. Иорданский М.А. Конструктивная теория графов и её приложения. Из-во Кириллица, 2016, 172 стр. / Iordanski M.A. Constructive graph theory and its applications. Cyrillic, 2016, 172 p. (in Russian).

13. J.J. Hopfield. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences of the USA, vol. 79 no. 8, 1982, pp. 2554–2558.

14. Hinton D.E. and Seinowski Т. Optimal Perceptual Inference. In Proc. of the IEEE Conference on Computer Vision and Pattern Recognition, 1983, pp. 448–453.

15. Julio Aracena, Jacques Demongeot, and Eric Goles. Positive and Negative Circuits in Discrete Neural Networks. IEEE Transactions on Neural Networks, vol. 15, No. 1, Jan. 2004, pp. 77 - 83.

16. Ю.Л. Карпов, Л.Е. Карпов, Ю.Г. Сметанин. Устранение отрицательных циклов в некоторых структурах нейронных сетей с целью достижения стационарных решений. Программирование, т. 45, № 5, стр. 25-35, 2019. DOI: 10.1134/S0132347419050029 / Yu.L. Karpov, L.E. Karpov, Yu.G. Smetanin. Elimination of Negative Circuits in Certain Neural Network Structures to Achieve Stable Solutions. Programming and Computer Software, 2019, Vol. 45, № 5, pp. 241-250, 2019, DOI: 10.1134/S0361768819050025.


Для цитирования:


Карпов Ю.Л., Волкова И.А., Вылиток А.А., Карпов Л.Е., Сметанин Ю.Г. Проектирование интерфейсов классов графовой модели нейронной сети. Труды Института системного программирования РАН. 2019;31(4):97-112. https://doi.org/10.15514/ISPRAS-2019-31(4)-6

For citation:


Karpov Yu., Volkova I.A., Vylitok A.A., Karpov L.E., Smetanin Yu.G. Designing classes’ interfaces for neural network graph model. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2019;31(4):97-112. (In Russ.) https://doi.org/10.15514/ISPRAS-2019-31(4)-6

Просмотров: 121


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2079-8156 (Print)
ISSN 2220-6426 (Online)