форкнуто от main/is_dnn
Вы не можете выбрать более 25 тем
Темы должны начинаться с буквы или цифры, могут содержать дефисы(-) и должны содержать не более 35 символов.
608 строки
25 KiB
Markdown
608 строки
25 KiB
Markdown
# Отчет по лабораторной работе №1
|
|
Артюшина Валерия, Хохлов Кирилл, А-01-22
|
|
|
|
## 1. В среде GoogleColab создали блокнот(notebook.ipynb).
|
|
```
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
|
```
|
|
|
|
* импорт модулей
|
|
```
|
|
from tensorflow import keras
|
|
import matplotlib.pyplot as plt
|
|
import numpy as np
|
|
import sklearn
|
|
```
|
|
|
|
## 2. Загрузка датасета MNIST
|
|
```
|
|
from keras.datasets import mnist
|
|
(X_train, y_train), (X_test, y_test) = mnist.load_data()
|
|
```
|
|
|
|
## 3. Разбиение набора данных на обучающие и тестовые
|
|
```
|
|
from sklearn.model_selection import train_test_split
|
|
```
|
|
* объединяем в один набор
|
|
```
|
|
X = np.concatenate((X_train, X_test))
|
|
y = np.concatenate((y_train, y_test))
|
|
```
|
|
* разбиваем по вариантам
|
|
```
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y,test_size = 10000,train_size = 60000, random_state = 15)
|
|
```
|
|
|
|
* Вывод размерностей
|
|
```
|
|
print('Shape of X train:', X_train.shape)
|
|
print('Shape of y train:', y_train.shape)
|
|
```
|
|
|
|
> Shape of X train: (60000, 28, 28)
|
|
> Shape of y train: (60000,)
|
|
|
|
## 4. Вывод элементов обучающих данных
|
|
* Создаем subplot для 4 изображений
|
|
```
|
|
fig, axes = plt.subplots(1, 4, figsize=(10, 3))
|
|
|
|
for i in range(4):
|
|
axes[i].imshow(X_train[i], cmap=plt.get_cmap('gray'))
|
|
axes[i].set_title(f'Label: {y_train[i]}') # Добавляем метку как заголовок
|
|
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
## 5. Предобработка данных
|
|
* развернем каждое изображение 28*28 в вектор 784
|
|
```
|
|
num_pixels = X_train.shape[1] * X_train.shape[2]
|
|
X_train = X_train.reshape(X_train.shape[0], num_pixels) / 255
|
|
X_test = X_test.reshape(X_test.shape[0], num_pixels) / 255
|
|
print('Shape of transformed X train:', X_train.shape)
|
|
```
|
|
|
|
> Shape of transformed X train: (60000, 784)
|
|
|
|
* переведем метки в one-hot
|
|
```
|
|
from keras.utils import to_categorical
|
|
y_train = to_categorical(y_train)
|
|
y_test = to_categorical(y_test)
|
|
print('Shape of transformed y train:', y_train.shape)
|
|
num_classes = y_train.shape[1]
|
|
```
|
|
|
|
> Shape of transformed y train: (60000, 10)
|
|
|
|
## 6. Реализация и обучение однослойной нейронной сети
|
|
```
|
|
from keras.models import Sequential
|
|
from keras.layers import Dense
|
|
```
|
|
|
|
* 6.1. создаем модель - объявляем ее объектом класса Sequential
|
|
```
|
|
model_1 = Sequential()
|
|
model_1.add(Dense(units=num_classes,input_dim=num_pixels, activation='softmax'))
|
|
```
|
|
* 6.2. компилируем модель
|
|
```
|
|
model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_1.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
> Model: "sequential_8"
|
|
> ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
> ┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
> ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
> │ dense_19 (Dense) │ (None, 10) │ 7,850 │
|
|
> └─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 7,850 (30.66 KB)
|
|
> Trainable params: 7,850 (30.66 KB)
|
|
> Non-trainable params: 0 (0.00 B) '
|
|
|
|
* Обучаем модель
|
|
```
|
|
history = model_1.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
## 7. Применение модели к тестовым данным
|
|
```
|
|
scores=model_1.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores[0]) #значение функции ошибки
|
|
print('Accuracyontestdata:',scores[1]) #значение метрики качества классификации
|
|
```
|
|
|
|
> - accuracy: 0.9316 - loss: 0.2666
|
|
>Lossontestdata: 0.2741525173187256
|
|
>Accuracyontestdata: 0.928600013256073
|
|
|
|
## 8. Добавили один скрытый слой и повторили п. 6-7
|
|
* при 100 нейронах в скрытом слое
|
|
```
|
|
model_2l_100 = Sequential()
|
|
model_2l_100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
|
|
model_2l_100.add(Dense(units=num_classes, activation='softmax'))
|
|
|
|
model_2l_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_2l_100.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
>Model: "sequential_9"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_20 (Dense) │ (None, 100) │ 78,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_21 (Dense) │ (None, 10) │ 1,010 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 79,510 (310.59 KB)
|
|
> Trainable params: 79,510 (310.59 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
|
|
* Обучаем модель
|
|
```
|
|
history_2l_100 = model_2l_100.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history_2l_100.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history_2l_100.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
scores_2l_100=model_2l_100.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores_2l_100[0]) #значение функции ошибки
|
|
print('Accuracyontestdata:',scores_2l_100[1]) #значение метрики качества
|
|
```
|
|
|
|
> - accuracy: 0.9482 - loss: 0.1875
|
|
>Lossontestdata: 0.19283892214298248
|
|
>Accuracyontestdata: 0.9462000131607056 '
|
|
|
|
* при 300 нейронах в скрытом слое
|
|
```
|
|
model_2l_300 = Sequential()
|
|
model_2l_300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
|
|
model_2l_300.add(Dense(units=num_classes, activation='softmax'))
|
|
|
|
model_2l_300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_2l_300.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
>Model: "sequential_10"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_22 (Dense) │ (None, 300) │ 235,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_23 (Dense) │ (None, 10) │ 3,010 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 238,510 (931.68 KB)
|
|
> Trainable params: 238,510 (931.68 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
|
|
* Обучаем модель
|
|
```
|
|
history_2l_300 = model_2l_300.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history_2l_300.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history_2l_300.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
scores_2l_300=model_2l_300.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores_2l_300[0]) #значение функции ошибки
|
|
print('Accuracyontestdata:',scores_2l_300[1]) #значение метрики качества
|
|
```
|
|
|
|
> - accuracy: 0.9437 - loss: 0.2113
|
|
>Lossontestdata: 0.2168053537607193
|
|
>Accuracyontestdata: 0.9412000179290771
|
|
|
|
* при 500 нейронах в скрытом слое
|
|
```
|
|
model_2l_500 = Sequential()
|
|
model_2l_500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
|
|
model_2l_500.add(Dense(units=num_classes, activation='softmax'))
|
|
|
|
model_2l_500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_2l_500.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
>Model: "sequential_11"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_24 (Dense) │ (None, 500) │ 392,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_25 (Dense) │ (None, 10) │ 5,010 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 397,510 (1.52 MB)
|
|
> Trainable params: 397,510 (1.52 MB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
|
|
* Обучаем модель
|
|
```
|
|
history_2l_500 = model_2l_500.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history_2l_500.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history_2l_500.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
scores_2l_500=model_2l_500.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores_2l_500[0]) #значение функции ошибки
|
|
print('Accuracyontestdata:',scores_2l_500[1]) #значение метрики качества
|
|
```
|
|
|
|
> - accuracy: 0.9396 - loss: 0.2295
|
|
>Lossontestdata: 0.23596525192260742
|
|
>Accuracyontestdata: 0.9369999766349792
|
|
|
|
Как мы видим, лучшая метрика получилась равной 0.9465000033378601 при архитектуре со 100 нейронами в скрытом слое, поэтому для дальнейших пунктов используем ее.
|
|
|
|
## 9. Добавили второй скрытый слой
|
|
* при 50 нейронах во втором скрытом слое
|
|
```
|
|
model_3l_100_50 = Sequential()
|
|
model_3l_100_50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
|
model_3l_100_50.add(Dense(units=50, activation='sigmoid'))
|
|
model_3l_100_50.add(Dense(units=num_classes, activation='softmax'))
|
|
|
|
model_3l_100_50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_3l_100_50.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
>Model: "sequential_12"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_26 (Dense) │ (None, 100) │ 78,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_27 (Dense) │ (None, 50) │ 5,050 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_28 (Dense) │ (None, 10) │ 510 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 84,060 (328.36 KB)
|
|
> Trainable params: 84,060 (328.36 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
|
|
* Обучаем модель
|
|
```
|
|
history_3l_100_50 = model_3l_100_50.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history_3l_100_50.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history_3l_100_50.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
scores_3l_100_50=model_3l_100_50.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores_3l_100_50[0])
|
|
print('Accuracyontestdata:',scores_3l_100_50[1])
|
|
```
|
|
|
|
> - accuracy: 0.9459 - loss: 0.1914
|
|
>Lossontestdata: 0.1960301399230957
|
|
>Accuracyontestdata: 0.9444000124931335
|
|
|
|
* при 100 нейронах во втором скрытом слое
|
|
```
|
|
model_3l_100_100 = Sequential()
|
|
model_3l_100_100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
|
model_3l_100_100.add(Dense(units=100, activation='sigmoid'))
|
|
model_3l_100_100.add(Dense(units=num_classes, activation='softmax'))
|
|
|
|
model_3l_100_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
|
|
|
print("Архитектура нейронной сети:")
|
|
model_3l_100_100.summary()
|
|
```
|
|
|
|
> Архитектура нейронной сети:
|
|
>Model: "sequential_13"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_29 (Dense) │ (None, 100) │ 78,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_30 (Dense) │ (None, 100) │ 10,100 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_31 (Dense) │ (None, 10) │ 1,010 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 89,610 (350.04 KB)
|
|
> Trainable params: 89,610 (350.04 KB)
|
|
> Non-trainable params: 0 (0.00 B) '
|
|
|
|
* Обучаем модель
|
|
```
|
|
history_3l_100_100 = model_3l_100_100.fit(
|
|
X_train, y_train,
|
|
validation_split=0.1,
|
|
epochs=50
|
|
)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
plt.figure(figsize=(12, 5))
|
|
|
|
plt.subplot(1, 2, 1)
|
|
plt.plot(history_3l_100_100.history['loss'], label='Обучающая ошибка')
|
|
plt.plot(history_3l_100_100.history['val_loss'], label='Валидационная ошибка')
|
|
plt.title('Функция ошибки по эпохам')
|
|
plt.xlabel('Эпохи')
|
|
plt.ylabel('Categorical Crossentropy')
|
|
plt.legend()
|
|
plt.grid(True)
|
|
```
|
|
|
|
|
|
|
|
```
|
|
scores_3l_100_100=model_3l_100_100.evaluate(X_test,y_test)
|
|
print('Lossontestdata:',scores_3l_100_100[0])
|
|
print('Accuracyontestdata:',scores_3l_100_100[1])
|
|
```
|
|
|
|
> - accuracy: 0.9488 - loss: 0.1810
|
|
>Lossontestdata: 0.18787769973278046
|
|
>Accuracyontestdata: 0.9467999935150146
|
|
|
|
Количество Количество нейронов в Количество нейронов во Значение метрики
|
|
скрытых слоев первом скрытом слое втором скрытом слое качества классификации
|
|
0 - - 0.913100004196167
|
|
1 100 - 0.9462000131607056
|
|
1 300 - 0.9412000179290771
|
|
1 500 - 0.9369999766349792
|
|
2 100 50 0.9444000124931335
|
|
2 100 100 0.9467999935150146
|
|
|
|
Из таблицы видно, что лучше всего справились с задачей НС с одним скрытым слоем и 100 нейронами и НС с двумя скрытыми слоями по 100 нейронов.
|
|
Метрика точности достигла почти 95% при достаточно простой архитектуре сетей, это может быть связано с тем, что датасет MNIST имеет только 60,000 обучающих примеров - недостаточно для более сложных архитектур. Также при усложнении архитектуры сети появляется риск переобучения. В нашей задаче мы видим, что при увеличении числа нейронов в скрытых слоях метрика падает.Простая модель лучше обобщает на подобных учебных датасетах, более сложные же архитектуры стоит использовать на более сложных датасетах, например ImageNet.
|
|
|
|
## 11. Сохранение наилучшей модели на диск
|
|
```
|
|
model_2l_100.save(filepath='best_model.keras')
|
|
```
|
|
|
|
## 12. Вывод тестовых изображений и результатов распознаваний
|
|
```
|
|
n = 333
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
print('Real mark: ', str(np.argmax(y_test[n])))
|
|
print('NN answer: ', str(np.argmax(result)))
|
|
```
|
|
|
|
> NN output: [[3.0055828e-02 1.7918642e-06 1.0183058e-05 1.3000262e-04 2.2273003e-05
|
|
> 9.6671683e-01 3.1997326e-05 6.5717955e-05 2.9293287e-03 3.6015103e-05]]
|
|
|
|
>Real mark: 5
|
|
>NN answer: 5
|
|
|
|
```
|
|
n = 555
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
print('Real mark: ', str(np.argmax(y_test[n])))
|
|
print('NN answer: ', str(np.argmax(result)))
|
|
```
|
|
|
|
> NN output: [[9.8050815e-01 5.7898621e-08 9.2301030e-05 8.2087971e-04 5.6250155e-06
|
|
> 1.8371470e-02 9.3076023e-06 1.4318567e-04 2.3332947e-05 2.5768295e-05]]
|
|
|
|
>Real mark: 0
|
|
>NN answer: 0 '
|
|
|
|
## 12. Тестирование на собственных изображениях
|
|
* загрузка 1 собственного изображения
|
|
```
|
|
from PIL import Image
|
|
file_1_data = Image.open('1.png')
|
|
file_1_data = file_1_data.convert('L') #перевод в градации серого
|
|
test_1_img = np.array(file_1_data)
|
|
```
|
|
|
|
* вывод собственного изображения
|
|
```
|
|
plt.imshow(test_1_img, cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
* предобработка
|
|
```
|
|
test_1_img = test_1_img / 255
|
|
test_1_img = test_1_img.reshape(1, num_pixels)
|
|
```
|
|
|
|
* распознавание
|
|
```
|
|
result_1 = model.predict(test_1_img)
|
|
print('I think it\'s', np.argmax(result_1))
|
|
```
|
|
> I think it's 1
|
|
|
|
* тест 2 изображения
|
|
```
|
|
file_2_data = Image.open('2.png')
|
|
file_2_data = file_2_data.convert('L') #перевод в градации серого
|
|
test_2_img = np.array(file_2_data)
|
|
|
|
plt.imshow(test_2_img, cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
```
|
|
test_2_img = test_2_img / 255
|
|
test_2_img = test_2_img.reshape(1, num_pixels)
|
|
|
|
result_2 = model.predict(test_2_img)
|
|
print('I think it\'s', np.argmax(result_2))
|
|
```
|
|
|
|
> I think it's 2
|
|
|
|
Сеть не ошиблась и корректно распознала обе цифры на изображениях
|
|
|
|
## 14. Тестирование на собственных повернутых изображениях
|
|
```
|
|
file_1_90_data = Image.open('1_90.png')
|
|
file_1_90_data = file_1_90_data.convert('L') #перевод в градации серого
|
|
test_1_90_img = np.array(file_1_90_data)
|
|
|
|
plt.imshow(test_1_90_img, cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
```
|
|
test_1_90_img = test_1_90_img / 255
|
|
test_1_90_img = test_1_90_img.reshape(1, num_pixels)
|
|
|
|
result_1_90 = model.predict(test_1_90_img)
|
|
print('I think it\'s', np.argmax(result_1_90))
|
|
```
|
|
|
|
> I think it's 4
|
|
|
|
```
|
|
file_2_90_data = Image.open('2_90.png')
|
|
file_2_90_data = file_2_90_data.convert('L') #перевод в градации серого
|
|
test_2_90_img = np.array(file_2_90_data)
|
|
|
|
plt.imshow(test_2_90_img, cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
```
|
|
test_2_90_img = test_2_90_img / 255
|
|
test_2_90_img = test_2_90_img.reshape(1, num_pixels)
|
|
|
|
result_2_90 = model.predict(test_2_90_img)
|
|
print('I think it\'s', np.argmax(result_2_90))
|
|
```
|
|
|
|
> I think it's 5
|
|
|
|
При повороте изображений сеть не распознала цифры правильно. Так как она не обучалась на повернутых изображениях. |