Update: pso-convolution-optimal-model

Open markdown file Upload

Edit Content

# pso_conv [Proje Linki](https://github.com/rag0nn/pso-conv/) ## Kanser Türleri Ayırt Etmek Amacıyla Parçacık Sürüsü Optimizasyonu Kullanılarak Konvolüsyonel (Evrişimli) Modelleri En Efektif Şeklide Eğitme Bu repo parçacık sürüsü optimizasyonu ile bir konvolüsyonel nöral ağ eğitimi içeriyor. Modeller Kaggle.com üzerindeki kanser türlerine ait görsel ve etiketler kullanılarak eğitildi. Eğitilirken 10 iterasyonlu 3 parçacık içeren parçacık sürüsü, 100 iterasyonlu konvolüsyon ağları olarak toplamda 10 model oluşacak şekilde kullanıldı. Parçacıkların modeldeki konvolüsyon katmanlarındaki filtre sayı parametrelerini tutması amaçlandı. ### Model ``` Conv2D(c1,kernel_size=(3,3),activation="relu", kernel_initializer=tf.keras.initializers.Constant(value=0.1))) MaxPooling2D(pool_size=(2,2))) (Conv2D(c2,kernel_size=(3,3),activation="relu", kernel_initializer=tf.keras.initializers.Constant(value=0.1))) (MaxPooling2D(pool_size=(2,2))) (Conv2D(c3,kernel_size=(3,3),activation="relu", kernel_initializer=tf.keras.initializers.Constant(value=0.1))) d(MaxPooling2D(pool_size=(2,2))) (Flatten()) (Dense(7, kernel_initializer='glorot_uniform',activation="softmax")) ``` ### Diğer eğitim parametreleri - loss: Categorical Crossentropy, - optimizer: Adam (0.001 lr. ile) ### Sonuçlar Modellerin f1, recall precision, accuracy değerlerini aşağıdaki grafiklerde görülebilir. Bu sonuçlardan yola çıkılarak optimal model tercih edilebilir. <img src="https://github.com/rag0nn/pso-conv/blob/main/results/plot_2d_scored.jpg?raw=true" width="auto"> <img src="https://github.com/rag0nn/pso-conv/blob/main/results/plot_3d_egitim_acc.jpg?raw=true" width="auto"> <img src="https://github.com/rag0nn/pso-conv/blob/main/results/plot_3d_f1_acc.jpg?raw=true" width="auto"> <img src="https://github.com/rag0nn/pso-conv/blob/main/results/plot_3d_test_acc.jpg?raw=true" width="auto"> Save

Remove: pso-convolution-optimal-model

Delete Project