🔬 Análise de Robustez em Redes Neurais - MNIST

Este projeto demonstra o impacto de diferentes inicializações de pesos na robustez de redes neurais quando expostas a ruído gaussiano, utilizando o dataset MNIST.

📋 Descrição

O projeto compara quatro tipos de inicialização de pesos:

• GlorotUniform (Xavier): Mantém variância constante entre camadas
• HeUniform: Otimizada para ativação ReLU
• RandomNormal: Distribuição normal simples
• Constant: Valor fixo para comparação

🚀 Funcionalidades

Experimentos Básicos

• ✅ Carregamento e pré-processamento do dataset MNIST
• ✅ Treinamento de modelos MLP com diferentes inicializações
• ✅ Adição de ruído gaussiano para teste de robustez
• ✅ Visualização comparativa de resultados
• ✅ Análise de degradação de performance por ruído

🆕 Experimentos Avançados (Novo!)

• ✅ Variação de Níveis de Ruído: Testa 8 níveis diferentes (0.05 a 0.4)
• ✅ Variação de Learning Rates: 5 taxas diferentes (1e-4 a 1e-2)
• ✅ Variação de Batch Sizes: 5 tamanhos (32 a 512)
• ✅ Testes com Dropout: 6 taxas de dropout (0.0 a 0.5)
• ✅ Funções de Ativação: Compara ReLU, Tanh, ELU, Sigmoid
• ✅ Análise Sistemática: 30+ experimentos automatizados
• ✅ Visualizações Avançadas: Gráficos multi-painel com análise detalhada

📊 Resultados

O notebook gera gráficos comparativos mostrando:

• Accuracy em dados limpos vs. ruidosos
• Degradação percentual de performance
• Tabela detalhada com métricas

🛠️ Tecnologias

• Python 3.11
• TensorFlow 2.16.2
• NumPy
• Matplotlib
• Jupyter Notebook

📁 Estrutura do Projeto

├── mnist_robustness_analysis.ipynb  # Notebook principal (experimentos básicos)
├── main.py                          # Script de experimentos básicos
├── advanced_experiments.py          # 🆕 Script de experimentos avançados
├── run_custom_experiments.py        # 🆕 Interface CLI para experimentos
├── utils.py                         # Funções auxiliares
├── requirements.txt                 # Dependências
├── README.md                        # Este arquivo
├── EXPERIMENTS_GUIDE.md             # 🆕 Guia detalhado de experimentos
└── .gitignore                       # Arquivos ignorados pelo Git

🔧 Instalação

1. Clone o repositório:

git clone https://github.com/rafaelsoares4/neural-network-robustness-analysis.git
cd neural-network-robustness-analysis

2. Crie um ambiente virtual:

python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

3. Instale as dependências:

pip install -r requirements.txt

🏃‍♂️ Como Executar

Experimentos Básicos

1. Via Jupyter Notebook:

jupyter notebook mnist_robustness_analysis.ipynb

2. Via Script Python:

python main.py

🆕 Experimentos Avançados

1. Executar TODOS os experimentos avançados:

python advanced_experiments.py

Tempo estimado: 30-45 minutos

2. Executar experimentos específicos:

# Apenas ruído e dropout
python run_custom_experiments.py --experiments noise dropout

# Apenas learning rate
python run_custom_experiments.py --experiments learning_rate

# Todos os experimentos
python run_custom_experiments.py --all

3. Experimento customizado:

python run_custom_experiments.py --custom \
  --initializer he \
  --optimizer adam \
  --learning-rate 0.001 \
  --dropout 0.3 \
  --noise 0.25 \
  --batch-size 128 \
  --epochs 20 \
  --name "meu_teste"

4. Ver todas as opções:

python run_custom_experiments.py --help

Para mais detalhes, consulte: EXPERIMENTS_GUIDE.md

📈 Resultados Esperados

• HeUniform: Geralmente melhor performance com ReLU
• GlorotUniform: Boa performance geral
• RandomNormal: Performance variável
• Constant: Baseline (geralmente pior performance)

🤝 Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para:

• Reportar bugs
• Sugerir melhorias
• Adicionar novas funcionalidades
• Melhorar a documentação

📄 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

👨‍💻 Autor

Rafael Soares

• GitHub: @rafaelsoares4

📖 Documentação Completa

Este projeto inclui documentação extensa para diferentes níveis de usuário:

🚀 Para Começar Rapidamente

• QUICKSTART.md - Guia de início rápido (5 minutos)
  • Teste de instalação
  • Primeiros experimentos
  • Comandos essenciais

🧪 Para Experimentar

• SIMULATION_SUGGESTIONS.md - Sugestões específicas de simulações
  • 10 objetivos de pesquisa diferentes
  • Simulações prontas para copiar/colar
  • Análise por cenário

📊 Para Entender em Profundidade

• EXPERIMENTS_GUIDE.md - Guia completo de experimentos
  • Detalhes de cada tipo de experimento
  • Interpretação de resultados
  • Configurações avançadas

🎯 Fluxo Recomendado

Iniciante → QUICKSTART.md → Execute quick_test.py
    ↓
Intermediário → SIMULATION_SUGGESTIONS.md → Execute configurações pré-definidas
    ↓
Avançado → EXPERIMENTS_GUIDE.md → Crie experimentos customizados

Loading

🛠️ Scripts Disponíveis

Script	Propósito	Tempo	Dificuldade
quick_test.py	Validar instalação	2-3 min	⭐ Fácil
load_and_run_config.py	Usar configs pré-definidas	5-10 min	⭐ Fácil
run_custom_experiments.py	Experimentos customizados	5-30 min	⭐⭐ Médio
advanced_experiments.py	Suite completa	30-45 min	⭐⭐⭐ Avançado

📚 Referências

• TensorFlow Documentation
• Understanding the difficulty of training deep feedforward neural networks
• Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification