форкнуто от main/is_dnn
Родитель
ac746690cb
Сommit
ca98677d2b
@ -0,0 +1,447 @@
|
|||||||
|
{
|
||||||
|
"nbformat": 4,
|
||||||
|
"nbformat_minor": 0,
|
||||||
|
"metadata": {
|
||||||
|
"colab": {
|
||||||
|
"provenance": [],
|
||||||
|
"gpuType": "T4"
|
||||||
|
},
|
||||||
|
"kernelspec": {
|
||||||
|
"name": "python3",
|
||||||
|
"display_name": "Python 3"
|
||||||
|
},
|
||||||
|
"language_info": {
|
||||||
|
"name": "python"
|
||||||
|
},
|
||||||
|
"accelerator": "GPU"
|
||||||
|
},
|
||||||
|
"cells": [
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"1 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "S59WEX1lbXWW"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {
|
||||||
|
"id": "lhabo1q_VXgc"
|
||||||
|
},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"import os\n",
|
||||||
|
"os.chdir('/content/drive/MyDrive/Colab Notebooks/IS_LR3')"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# импорт модулей\n",
|
||||||
|
"from tensorflow import keras\n",
|
||||||
|
"from tensorflow.keras import layers\n",
|
||||||
|
"from tensorflow.keras.models import Sequential\n",
|
||||||
|
"import matplotlib.pyplot as plt\n",
|
||||||
|
"import numpy as np\n",
|
||||||
|
"from sklearn.metrics import classification_report, confusion_matrix\n",
|
||||||
|
"from sklearn.metrics import ConfusionMatrixDisplay"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ZYpnLJOCaSFR"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"2 пункт\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "QTplfsEEbWtr"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# загрузка датасета\n",
|
||||||
|
"from keras.datasets import mnist\n",
|
||||||
|
"(X_train, y_train), (X_test, y_test) = mnist.load_data()"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "FmAqO707aR_5"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"3 пункт\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "VR6XttyDbpGS"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# создание своего разбиения датасета\n",
|
||||||
|
"from sklearn.model_selection import train_test_split\n",
|
||||||
|
"\n",
|
||||||
|
"# объединяем в один набор\n",
|
||||||
|
"X = np.concatenate((X_train, X_test))\n",
|
||||||
|
"y = np.concatenate((y_train, y_test))\n",
|
||||||
|
"\n",
|
||||||
|
"# разбиваем по вариантам\n",
|
||||||
|
"X_train, X_test, y_train, y_test = train_test_split(X, y,\n",
|
||||||
|
" test_size = 10000,\n",
|
||||||
|
" train_size = 60000,\n",
|
||||||
|
" random_state = 19)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "idfAHcp9aR32"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# вывод размерностей\n",
|
||||||
|
"print('Shape of X train:', X_train.shape)\n",
|
||||||
|
"print('Shape of y train:', y_train.shape)\n",
|
||||||
|
"\n",
|
||||||
|
"print('Shape of X test:', X_test.shape)\n",
|
||||||
|
"print('Shape of y test:', y_test.shape)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ZcpI4-Mfb8_M"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"4 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "MsUxxLu4dXsF"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# Зададим параметры данных и модели\n",
|
||||||
|
"num_classes = 10\n",
|
||||||
|
"input_shape = (28, 28, 1)\n",
|
||||||
|
"\n",
|
||||||
|
"# Приведение входных данных к диапазону [0, 1]\n",
|
||||||
|
"X_train = X_train / 255\n",
|
||||||
|
"X_test = X_test / 255\n",
|
||||||
|
"\n",
|
||||||
|
"# Расширяем размерность входных данных, чтобы каждое изображение имело\n",
|
||||||
|
"# размерность (высота, ширина, количество каналов)\n",
|
||||||
|
"\n",
|
||||||
|
"\n",
|
||||||
|
"X_train = np.expand_dims(X_train, -1)\n",
|
||||||
|
"X_test = np.expand_dims(X_test, -1)\n",
|
||||||
|
"print('Shape of transformed X train:', X_train.shape)\n",
|
||||||
|
"print('Shape of transformed X test:', X_test.shape)\n",
|
||||||
|
"\n",
|
||||||
|
"# переведем метки в one-hot\n",
|
||||||
|
"y_train = keras.utils.to_categorical(y_train, num_classes)\n",
|
||||||
|
"y_test = keras.utils.to_categorical(y_test, num_classes)\n",
|
||||||
|
"print('Shape of transformed y train:', y_train.shape)\n",
|
||||||
|
"print('Shape of transformed y test:', y_test.shape)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "xIB0CdYqdWPv"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"5 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "1HQjX5z6dp3h"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# создаем модель\n",
|
||||||
|
"model = Sequential()\n",
|
||||||
|
"model.add(layers.Conv2D(32, kernel_size=(3, 3), activation=\"relu\", input_shape=input_shape))\n",
|
||||||
|
"model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
|
||||||
|
"model.add(layers.Conv2D(64, kernel_size=(3, 3), activation=\"relu\"))\n",
|
||||||
|
"model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
|
||||||
|
"model.add(layers.Dropout(0.5))\n",
|
||||||
|
"model.add(layers.Flatten())\n",
|
||||||
|
"model.add(layers.Dense(num_classes, activation=\"softmax\"))\n",
|
||||||
|
"\n",
|
||||||
|
"model.summary()\n",
|
||||||
|
"\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "owMPTAvseQFB"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"batch_size = 512\n",
|
||||||
|
"epochs = 15\n",
|
||||||
|
"model.compile(loss=\"categorical_crossentropy\", optimizer=\"adam\", metrics=[\"accuracy\"])\n",
|
||||||
|
"model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "thNo1LXUepwN"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"6 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "8Vvr7f3ng2EI"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# Оценка качества работы модели на тестовых данных\n",
|
||||||
|
"scores = model.evaluate(X_test, y_test)\n",
|
||||||
|
"print('Loss on test data:', scores[0])\n",
|
||||||
|
"print('Accuracy on test data:', scores[1])"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "JUg1WDEngza0"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"7 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "EYoMHxN_hPlv"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# вывод первого тестового изображения и результата распознавания\n",
|
||||||
|
"n = 222\n",
|
||||||
|
"result = model.predict(X_test[n:n+1])\n",
|
||||||
|
"print('NN output:', result)\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))\n",
|
||||||
|
"print('Real mark: ', np.argmax(y_test[n]))\n",
|
||||||
|
"print('NN answer: ', np.argmax(result))"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ozvxCjFFhF0i"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# вывод второго тестового изображения и результата распознавания\n",
|
||||||
|
"n = 111\n",
|
||||||
|
"result = model.predict(X_test[n:n+1])\n",
|
||||||
|
"print('NN output:', result)\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))\n",
|
||||||
|
"print('Real mark: ', np.argmax(y_test[n]))\n",
|
||||||
|
"print('NN answer: ', np.argmax(result))"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "XrQQWslhjhxA"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"8 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "njvWDE6whDUz"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# истинные метки классов\n",
|
||||||
|
"true_labels = np.argmax(y_test, axis=1)\n",
|
||||||
|
"# предсказанные метки классов\n",
|
||||||
|
"predicted_labels = np.argmax(model.predict(X_test), axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"# отчет о качестве классификации\n",
|
||||||
|
"print(classification_report(true_labels, predicted_labels))\n",
|
||||||
|
"# вычисление матрицы ошибок\n",
|
||||||
|
"conf_matrix = confusion_matrix(true_labels, predicted_labels)\n",
|
||||||
|
"# отрисовка матрицы ошибок в виде \"тепловой карты\"\n",
|
||||||
|
"display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix)\n",
|
||||||
|
"display.plot()\n",
|
||||||
|
"plt.show()"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "HuPTHd_YkZ-V"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"9 пункт\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "uNi4E7gPl8rd"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# загрузка собственного изображения 1\n",
|
||||||
|
"from PIL import Image\n",
|
||||||
|
"file_data = Image.open('test.png')\n",
|
||||||
|
"file_data = file_data.convert('L') # перевод в градации серого\n",
|
||||||
|
"test_img = np.array(file_data)\n",
|
||||||
|
"\n",
|
||||||
|
"# вывод собственного изображения\n",
|
||||||
|
"plt.imshow(test_img, cmap=plt.get_cmap('gray'))\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"# предобработка\n",
|
||||||
|
"test_img = test_img / 255\n",
|
||||||
|
"test_img = np.reshape(test_img, (1,28,28,1))\n",
|
||||||
|
"\n",
|
||||||
|
"# распознавание\n",
|
||||||
|
"result = model.predict(test_img)\n",
|
||||||
|
"print('I think it\\'s ', np.argmax(result))"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "cQUHadWyl_d4"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# загрузка собственного изображения 2\n",
|
||||||
|
"from PIL import Image\n",
|
||||||
|
"file_data = Image.open('test_2.png')\n",
|
||||||
|
"file_data = file_data.convert('L') # перевод в градации серого\n",
|
||||||
|
"test_img = np.array(file_data)\n",
|
||||||
|
"\n",
|
||||||
|
"# вывод собственного изображения\n",
|
||||||
|
"plt.imshow(test_img, cmap=plt.get_cmap('gray'))\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"# предобработка\n",
|
||||||
|
"test_img = test_img / 255\n",
|
||||||
|
"test_img = np.reshape(test_img, (1,28,28,1))\n",
|
||||||
|
"\n",
|
||||||
|
"# распознавание\n",
|
||||||
|
"result = model.predict(test_img)\n",
|
||||||
|
"print('I think it\\'s ', np.argmax(result))"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "D-LsJFTpmsCL"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"10 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "B7dQZmiTnFjk"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# путь к сохранённой модели из ЛР1\n",
|
||||||
|
"model_fc = keras.models.load_model('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')\n",
|
||||||
|
"\n",
|
||||||
|
"# архитектура модели\n",
|
||||||
|
"model_fc.summary()\n",
|
||||||
|
"\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "JAFvXfzHnEyf"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# подготовка тестовых данных для полносвязной модели\n",
|
||||||
|
"X_test_fc = X_test.reshape(X_test.shape[0], 28*28) # (10000, 784)\n",
|
||||||
|
"y_test_fc = y_test # если в ЛР3 ты уже перевёл метки в one-hot\n",
|
||||||
|
"\n",
|
||||||
|
"# оценка качества, как в п. 6\n",
|
||||||
|
"scores = model_fc.evaluate(X_test_fc, y_test_fc, verbose=0)\n",
|
||||||
|
"print('Loss on test data (FC model):', scores[0])\n",
|
||||||
|
"print('Accuracy on test data (FC model):', scores[1])"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "iSMKJsCznIKM"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"11 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "YE0Ne5Y5pUaZ"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [],
|
||||||
|
"metadata": {
|
||||||
|
"id": "c22hf9CjpT6Z"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [],
|
||||||
|
"metadata": {
|
||||||
|
"id": "S4SaPgPbnIAp"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
}
|
||||||
|
]
|
||||||
|
}
|
||||||
@ -0,0 +1,346 @@
|
|||||||
|
{
|
||||||
|
"nbformat": 4,
|
||||||
|
"nbformat_minor": 0,
|
||||||
|
"metadata": {
|
||||||
|
"colab": {
|
||||||
|
"provenance": [],
|
||||||
|
"gpuType": "T4"
|
||||||
|
},
|
||||||
|
"kernelspec": {
|
||||||
|
"name": "python3",
|
||||||
|
"display_name": "Python 3"
|
||||||
|
},
|
||||||
|
"language_info": {
|
||||||
|
"name": "python"
|
||||||
|
},
|
||||||
|
"accelerator": "GPU"
|
||||||
|
},
|
||||||
|
"cells": [
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"1 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "n2S-d-dy1com"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": null,
|
||||||
|
"metadata": {
|
||||||
|
"id": "EfImqmoI0eWN"
|
||||||
|
},
|
||||||
|
"outputs": [],
|
||||||
|
"source": [
|
||||||
|
"import os\n",
|
||||||
|
"os.chdir('/content/drive/MyDrive/Colab Notebooks/IS_LR3')"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# импорт модулей\n",
|
||||||
|
"from tensorflow import keras\n",
|
||||||
|
"from tensorflow.keras import layers\n",
|
||||||
|
"from tensorflow.keras.models import Sequential\n",
|
||||||
|
"import matplotlib.pyplot as plt\n",
|
||||||
|
"import numpy as np\n",
|
||||||
|
"from sklearn.metrics import classification_report, confusion_matrix\n",
|
||||||
|
"from sklearn.metrics import ConfusionMatrixDisplay"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "VBMRl6Iw1eqz"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"2 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "LnvGg6FZ1mDT"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# загрузка датасета\n",
|
||||||
|
"from keras.datasets import cifar10\n",
|
||||||
|
"\n",
|
||||||
|
"(X_train, y_train), (X_test, y_test) = cifar10.load_data()"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "90-GJpwO1k0u"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"3 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ArL8T5q32POX"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# создание своего разбиения датасета\n",
|
||||||
|
"from sklearn.model_selection import train_test_split\n",
|
||||||
|
"\n",
|
||||||
|
"# объединяем в один набор\n",
|
||||||
|
"X = np.concatenate((X_train, X_test))\n",
|
||||||
|
"y = np.concatenate((y_train, y_test))\n",
|
||||||
|
"\n",
|
||||||
|
"# разбиваем по вариантам\n",
|
||||||
|
"X_train, X_test, y_train, y_test = train_test_split(X, y,\n",
|
||||||
|
" test_size = 10000,\n",
|
||||||
|
" train_size = 50000,\n",
|
||||||
|
" random_state = 19)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "I9pe41Ni1kvJ"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# вывод размерностей\n",
|
||||||
|
"print('Shape of X train:', X_train.shape)\n",
|
||||||
|
"print('Shape of y train:', y_train.shape)\n",
|
||||||
|
"\n",
|
||||||
|
"print('Shape of X test:', X_test.shape)\n",
|
||||||
|
"print('Shape of y test:', y_test.shape)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "m-KhW4L93B9o"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# вывод 25 изображений из обучающей выборки с подписями классов\n",
|
||||||
|
"class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',\n",
|
||||||
|
" 'dog', 'frog', 'horse', 'ship', 'truck']\n",
|
||||||
|
"\n",
|
||||||
|
"plt.figure(figsize=(10,10))\n",
|
||||||
|
"for i in range(25):\n",
|
||||||
|
" plt.subplot(5,5,i+1)\n",
|
||||||
|
" plt.xticks([])\n",
|
||||||
|
" plt.yticks([])\n",
|
||||||
|
" plt.grid(False)\n",
|
||||||
|
" plt.imshow(X_train[i])\n",
|
||||||
|
" plt.xlabel(class_names[y_train[i][0]])\n",
|
||||||
|
"plt.show()"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "p6RhtysM3Fol"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"4 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ZtUEifrW31w4"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# Зададим параметры данных и модели\n",
|
||||||
|
"num_classes = 10\n",
|
||||||
|
"input_shape = (32, 32, 3)\n",
|
||||||
|
"\n",
|
||||||
|
"# Приведение входных данных к диапазону [0, 1]\n",
|
||||||
|
"X_train = X_train / 255\n",
|
||||||
|
"X_test = X_test / 255\n",
|
||||||
|
"\n",
|
||||||
|
"# Расширяем размерность входных данных, чтобы каждое изображение имело\n",
|
||||||
|
"# размерность (высота, ширина, количество каналов)\n",
|
||||||
|
"\n",
|
||||||
|
"\n",
|
||||||
|
"print('Shape of transformed X train:', X_train.shape)\n",
|
||||||
|
"print('Shape of transformed X test:', X_test.shape)\n",
|
||||||
|
"\n",
|
||||||
|
"# переведем метки в one-hot\n",
|
||||||
|
"y_train = keras.utils.to_categorical(y_train, num_classes)\n",
|
||||||
|
"y_test = keras.utils.to_categorical(y_test, num_classes)\n",
|
||||||
|
"print('Shape of transformed y train:', y_train.shape)\n",
|
||||||
|
"print('Shape of transformed y test:', y_test.shape)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "_1EvYA5C31oT"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"5 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "HiZ1igLn4ZvE"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# создаем модель\n",
|
||||||
|
"model = Sequential()\n",
|
||||||
|
"model.add(layers.Conv2D(32, kernel_size=(3, 3), activation=\"relu\", input_shape=input_shape))\n",
|
||||||
|
"model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
|
||||||
|
"model.add(layers.Conv2D(64, kernel_size=(3, 3), activation=\"relu\"))\n",
|
||||||
|
"model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
|
||||||
|
"model.add(layers.Conv2D(128, kernel_size=(3, 3), activation=\"relu\"))\n",
|
||||||
|
"model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
|
||||||
|
"model.add(layers.Flatten())\n",
|
||||||
|
"model.add(layers.Dense(128, activation='relu'))\n",
|
||||||
|
"model.add(layers.Dropout(0.5))\n",
|
||||||
|
"model.add(layers.Dense(num_classes, activation=\"softmax\"))\n",
|
||||||
|
"\n",
|
||||||
|
"model.summary()\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "szeMGpaW31it"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"batch_size = 512\n",
|
||||||
|
"epochs = 15\n",
|
||||||
|
"model.compile(loss=\"categorical_crossentropy\", optimizer=\"adam\", metrics=[\"accuracy\"])\n",
|
||||||
|
"model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "CMUVJn2v3bx_"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"6 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "CTohcQAy7JGG"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# Оценка качества работы модели на тестовых данных\n",
|
||||||
|
"scores = model.evaluate(X_test, y_test)\n",
|
||||||
|
"print('Loss on test data:', scores[0])\n",
|
||||||
|
"print('Accuracy on test data:', scores[1])"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "ag1rP16A4oJC"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"7 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "lWZIle5r96tj"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# ПРАВИЛЬНО распознанное изображение\n",
|
||||||
|
"n = 0\n",
|
||||||
|
"result = model.predict(X_test[n:n+1])\n",
|
||||||
|
"print('NN output:', result)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.imshow(X_test[n])\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"print('Real class: ', np.argmax(y_test[n]), '->', class_names[np.argmax(y_test[n])])\n",
|
||||||
|
"print('NN answer:', np.argmax(result), '->', class_names[np.argmax(result)])"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "b8gAO65m9yZG"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# НЕВЕРНО распознанное изображение\n",
|
||||||
|
"n = 9\n",
|
||||||
|
"result = model.predict(X_test[n:n+1])\n",
|
||||||
|
"print('NN output:', result)\n",
|
||||||
|
"\n",
|
||||||
|
"plt.imshow(X_test[n])\n",
|
||||||
|
"plt.show()\n",
|
||||||
|
"\n",
|
||||||
|
"print('Real class: ', np.argmax(y_test[n]), '->', class_names[np.argmax(y_test[n])])\n",
|
||||||
|
"print('NN answer:', np.argmax(result), '->', class_names[np.argmax(result)])"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "gZiOC9Ke-BCz"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
|
"source": [
|
||||||
|
"8 пункт"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "MaamG6bP_xsp"
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"source": [
|
||||||
|
"# истинные метки классов\n",
|
||||||
|
"true_labels = np.argmax(y_test, axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"# предсказанные метки классов\n",
|
||||||
|
"predicted_labels = np.argmax(model.predict(X_test), axis=1)\n",
|
||||||
|
"\n",
|
||||||
|
"# отчет о качестве классификации\n",
|
||||||
|
"print(classification_report(true_labels, predicted_labels, target_names=class_names))\n",
|
||||||
|
"\n",
|
||||||
|
"# вычисление матрицы ошибок\n",
|
||||||
|
"conf_matrix = confusion_matrix(true_labels, predicted_labels)\n",
|
||||||
|
"\n",
|
||||||
|
"# отрисовка матрицы ошибок в виде \"тепловой карты\"\n",
|
||||||
|
"display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix,\n",
|
||||||
|
" display_labels=class_names)\n",
|
||||||
|
"display.plot(xticks_rotation=45)\n",
|
||||||
|
"plt.show()\n"
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"id": "Ix27-pKH_yG-"
|
||||||
|
},
|
||||||
|
"execution_count": null,
|
||||||
|
"outputs": []
|
||||||
|
}
|
||||||
|
]
|
||||||
|
}
|
||||||
Загрузка…
Ссылка в новой задаче