README.md

# Neurális Hálózatok Összehasonlítása CIFAR-10 Adathalmazon

**Szerző:** Vajna Levente  
**Utolsó frissítés:** 2025. május 6.

## Bevezetés

Ez a projekt három különböző neurális hálózati architektúra teljesítményét hasonlítja össze a CIFAR-10 képosztályozási feladaton:

- **CeNN (Cellular Neural Network)**
- **CNN (Convolutional Neural Network, ResNet18 alapú)**
- **Hibrid modell (CeNN + CNN kombináció)**

A **CIFAR-10** adathalmaz 60 000 db 32x32 pixeles színes képet tartalmaz 10 kategóriában, melyből 10 000 kép tesztelésre van fenntartva.

---

## Modellek

### CeNN (Cellular Neural Network)

- Lokális kapcsolatokra épülő architektúra  
- `A`, `B`, `Z` paraméterek tanulása  
- Euler-módszer az állapotegyenlet megoldására  
- Bináris klasszifikáció: **0. osztály vs többi**

### CNN (Convolutional Neural Network)

- **ResNet18** architektúra, előre tanított súlyokkal  
- CIFAR-10 specifikus módosítások:
  - 3×3-as konvolúciós magok
  - Max pooling eltávolítása  
- 10 osztályos klasszifikáció

### Hibrid Modell

- **CeNN** előfeldolgozó réteg  
- **ResNet18** osztályozó réteg  
- Cél: mindkét modell előnyeinek kombinálása

---

## Eredmények

| Modell   | Tesztpontosság | Tanítási idő (GPU) |
|----------|----------------|--------------------|
| CeNN     | 90.02%         | ~20 perc           |
| CNN      | 92.40%         | ~31 perc           |
| Hibrid   | 91.45%         | ~26 perc           |

---

## Következtetések

- A **CNN modell** érte el a legjobb tesztpontosságot (**92.40%**) viszonylag rövid tanítási idővel (~31 perc).
- A **CeNN modell** a leggyorsabban tanítható modell volt (~20 perc), és így is versenyképes pontosságot ért el. (**90.02%**)
- A **hibrid modell** teljesítménye köztes eredményt hozott (**91.45%**), gyorsabb volt a CNN-nél, de csak azért, mert annál minden epoch után ki is értékeltük.