форкнуто от main/is_dnn
Родитель
a1c364b1d3
Сommit
9ee4fbdc33
|
После Ширина: | Высота: | Размер: 6.3 KiB |
|
После Ширина: | Высота: | Размер: 6.3 KiB |
|
После Ширина: | Высота: | Размер: 6.3 KiB |
Различия файлов скрыты, потому что одна или несколько строк слишком длинны
@ -0,0 +1,576 @@
|
||||
# Отчет по лабораторной работе №1
|
||||
Аникеев Андрей, Чагин Сергей, А-02-22
|
||||
|
||||
## 1. В среде Google Colab создание нового блокнота.
|
||||
```
|
||||
import os
|
||||
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
||||
```
|
||||
|
||||
* 1.1 Импорт необходимых модулей.
|
||||
```
|
||||
from tensorflow import keras
|
||||
import matplotlib.pyplot as plt
|
||||
import numpy as np
|
||||
import sklearn
|
||||
```
|
||||
|
||||
## 2. Загрузка датасета.
|
||||
```
|
||||
from keras.datasets import mnist
|
||||
(X_train, y_train), (X_test, y_test) = mnist.load_data()
|
||||
```
|
||||
|
||||
## 3. Разбиение набора данных на обучающий и тестовый.
|
||||
```
|
||||
from sklearn.model_selection import train_test_split
|
||||
```
|
||||
* 3.1 Объединение в один набор.
|
||||
```
|
||||
X = np.concatenate((X_train, X_test))
|
||||
y = np.concatenate((y_train, y_test))
|
||||
```
|
||||
* 3.2 Разбиение по вариантам. (5 бригада -> k=4*5-1)
|
||||
```
|
||||
X_train, X_test, y_train, y_test = train_test_split(X, y,test_size = 10000,train_size = 60000, random_state = 19)
|
||||
```
|
||||
|
||||
* 3.3 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 обучающих данных.
|
||||
* 4.1 Выведем первые четыре элемента обучающих данных.
|
||||
```
|
||||
plt.figure(figsize=(10, 3))
|
||||
for i in range(4):
|
||||
plt.subplot(1, 4, i + 1)
|
||||
plt.imshow(X_train[i], cmap='gray')
|
||||
plt.title(f'Label: {y_train[i]}')
|
||||
plt.axis('off')
|
||||
plt.tight_layout()
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
## 5. Предобработка данных.
|
||||
* 5.1 Развернем каждое изображение в вектор.
|
||||
```
|
||||
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)
|
||||
|
||||
* 5.2 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, добавляем выходной слой.
|
||||
```
|
||||
model = Sequential()
|
||||
model.add(Dense(units=num_classes, activation='softmax'))
|
||||
```
|
||||
* 6.2. Компилируем модель.
|
||||
```
|
||||
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
print(model.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_6"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_18 (Dense) │ ? │ 0 (unbuilt) │
|
||||
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
||||
>Total params: 0 (0.00 B)
|
||||
>Trainable params: 0 (0.00 B)
|
||||
>Non-trainable params: 0 (0.00 B)
|
||||
|
||||
* 6.3 Обучаем модель.
|
||||
```
|
||||
H = model.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 6.4 Выводим график функции ошибки
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
## 7. Применение модели к тестовым данным.
|
||||
```
|
||||
scores = model.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9213 - loss: 0.2825
|
||||
>Loss on test data: 0.28365787863731384
|
||||
>Accuracy on test data: 0.9225000143051147
|
||||
|
||||
## 8. Добавление одного скрытого слоя.
|
||||
* 8.1 При 100 нейронах в скрытом слое.
|
||||
```
|
||||
model100 = Sequential()
|
||||
model100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
|
||||
model100.add(Dense(units=num_classes, activation='softmax'))
|
||||
|
||||
model100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']
|
||||
|
||||
print(model100.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_10"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_19 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_20 (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)
|
||||
|
||||
* 8.2 Обучение модели.
|
||||
```
|
||||
H = model100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 8.3 График функции ошибки.
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9465 - loss: 0.1946
|
||||
>Loss on test data: 0.19745595753192902
|
||||
>Accuracy on test data: 0.9442999958992004
|
||||
|
||||
* 8.4 При 300 нейронах в скрытом слое.
|
||||
```
|
||||
model300 = Sequential()
|
||||
model300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
|
||||
model300.add(Dense(units=num_classes, activation='softmax'))
|
||||
|
||||
model300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model300.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_14"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_27 (Dense) │ (None, 300) │ 235,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_28 (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)
|
||||
|
||||
* 8.5 Обучение модели.
|
||||
```
|
||||
H = model300.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 8.6 Вывод графиков функции ошибки.
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model300.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9361 - loss: 0.2237
|
||||
>Loss on test data: 0.22660093009471893
|
||||
>Accuracy on test data: 0.9348000288009644
|
||||
|
||||
* 8.7 При 500 нейронах в скрытом слое.
|
||||
```
|
||||
model500 = Sequential()
|
||||
model500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
|
||||
model500.add(Dense(units=num_classes, activation='softmax'))
|
||||
|
||||
model500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model500.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_16"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_31 (Dense) │ (None, 500) │ 392,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_32 (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)
|
||||
|
||||
* 8.8 Обучение модели.
|
||||
```
|
||||
H = model500.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 8.9 Вывод графиков функции ошибки.
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model500.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9306 - loss: 0.2398
|
||||
>Loss on test data: 0.24357788264751434
|
||||
>Accuracy on test data: 0.9304999709129333
|
||||
|
||||
Как мы видим, лучшая метрика получилась при архитектуре со 100 нейронами в скрытом слое:
|
||||
Ошибка на тестовых данных: 0.19745595753192902
|
||||
Точность тестовых данных: 0.9442999958992004
|
||||
|
||||
## 9. Добавление второго скрытого слоя.
|
||||
* 9.1 При 50 нейронах во втором скрытом слое.
|
||||
```
|
||||
model10050 = Sequential()
|
||||
model10050.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
|
||||
model10050.add(Dense(units=50,activation='sigmoid'))
|
||||
model10050.add(Dense(units=num_classes, activation='softmax'))
|
||||
|
||||
model10050.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model10050.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_17"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_33 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_34 (Dense) │ (None, 50) │ 5,050 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_35 (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)
|
||||
|
||||
* 9.2 Обучаем модель.
|
||||
```
|
||||
H = model10050.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 9.3 Выводим график функции ошибки.
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model10050.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9439 - loss: 0.1962
|
||||
>Loss on test data: 0.1993969976902008
|
||||
>Accuracy on test data: 0.9438999891281128
|
||||
|
||||
* 9.4 При 100 нейронах во втором скрытом слое.
|
||||
```
|
||||
model100100 = Sequential()
|
||||
model100100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
|
||||
model100100.add(Dense(units=100,activation='sigmoid'))
|
||||
model100100.add(Dense(units=num_classes, activation='softmax'))
|
||||
|
||||
model100100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model100100.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_18"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_36 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_37 (Dense) │ (None, 100) │ 10,100 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_38 (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)
|
||||
|
||||
* 9.5 Обучаем модель.
|
||||
```
|
||||
H = model100100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
```
|
||||
|
||||
* 9.6 Выводим график функции ошибки.
|
||||
```
|
||||
plt.plot(H.history['loss'])
|
||||
plt.plot(H.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model100100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
>accuracy: 0.9449 - loss: 0.1931
|
||||
>Loss on test data: 0.19571688771247864
|
||||
>Accuracy on test data: 0.9435999989509583
|
||||
|
||||
## 10. Результаты исследования архитектур нейронной сети.
|
||||
|
||||
| Количество скрытых слоев | Количество нейронов в первом скрытом слое | Количество нейронов во втором скрытом слое | Значение метрики качества классификации |
|
||||
|--------------------------|-------------------------------------------|--------------------------------------------|------------------------------------------|
|
||||
| 0 | - | - | 0.9225000143051147 |
|
||||
| 1 | 100 | - | 0.9442999958992004 |
|
||||
| 1 | 300 | - | 0.9348000288009644 |
|
||||
| 1 | 500 | - | 0.9304999709129333 |
|
||||
| 2 | 100 | 50 | 0.9438999891281128 |
|
||||
| 2 | 100 | 100 | 0.9435999989509583 |
|
||||
|
||||
Анализ результатов показал, что наивысшую точность (около 94.5%) демонстрируют модели со сравнительно простой архитектурой: однослойная сеть со 100 нейронами и двухслойная конфигурация (100 и 50 нейронов). Усложнение модели за счет увеличения количества слоев или нейронов не привело к улучшению качества, а в некоторых случаях даже вызвало его снижение. Это свидетельствует о том, что для относительно простого набора данных MNIST более сложные архитектуры склонны к переобучению, в то время как простые модели лучше обобщают закономерности.
|
||||
|
||||
## 11. Сохранение наилучшей модели на диск.
|
||||
```
|
||||
model100.save('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
|
||||
```
|
||||
|
||||
* 11.1 Загрузка лучшей модели с диска.
|
||||
```
|
||||
from keras.models import load_model
|
||||
model = load_model('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
|
||||
```
|
||||
|
||||
## 12. Вывод тестовых изображений и результатов распознаваний.
|
||||
```
|
||||
n = 111
|
||||
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: [[1.1728607e-03 5.4896927e-06 3.3185919e-05 2.6362878e-04 4.8558863e-06
|
||||
>9.9795568e-01 1.9454242e-07 1.6833146e-05 4.9621973e-04 5.1067746e-05]]
|
||||
|
||||
>Real mark: 5
|
||||
>NN answer: 5
|
||||
|
||||
```
|
||||
n = 222
|
||||
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: [[1.02687673e-05 2.02151591e-06 2.86183599e-03 8.74871985e-05
|
||||
>1.51387369e-02 6.32769879e-05 3.97122385e-05 4.11829986e-02 1.06158564e-04 9.40507472e-01]]
|
||||
|
||||
>Real mark: 9
|
||||
>NN answer: 9
|
||||
|
||||
## 13. Тестирование на собственных изображениях.
|
||||
* 13.1 Загрузка 1 собственного изображения.
|
||||
```
|
||||
from PIL import Image
|
||||
file_data = Image.open('test.png')
|
||||
file_data = file_data.convert('L') # перевод в градации серого
|
||||
test_img = np.array(file_data)
|
||||
```
|
||||
|
||||
* 13.2 Вывод собственного изображения.
|
||||
```
|
||||
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
* 13.3 Предобработка.
|
||||
```
|
||||
test_img = test_img / 255
|
||||
test_img = test_img.reshape(1, num_pixels)
|
||||
```
|
||||
|
||||
* 13.4 Распознавание.
|
||||
```
|
||||
result = model.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
```
|
||||
>I think it's 5
|
||||
|
||||
* 13.5 Тест 2 изображения.
|
||||
```
|
||||
from PIL import Image
|
||||
file2_data = Image.open('test_2.png')
|
||||
file2_data = file2_data.convert('L') # перевод в градации серого
|
||||
test2_img = np.array(file2_data)
|
||||
```
|
||||
|
||||
```
|
||||
plt.imshow(test2_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
test2_img = test2_img / 255
|
||||
test2_img = test2_img.reshape(1, num_pixels)
|
||||
```
|
||||
|
||||
```
|
||||
result_2 = model.predict(test2_img)
|
||||
print('I think it\'s ', np.argmax(result_2))
|
||||
```
|
||||
|
||||
>I think it's 2
|
||||
|
||||
Сеть корректно распознала цифры на изображениях.
|
||||
|
||||
## 14. Тестирование на повернутых изображениях.
|
||||
```
|
||||
from PIL import Image
|
||||
file90_data = Image.open('test90.png')
|
||||
file90_data = file90_data.convert('L') # перевод в градации серого
|
||||
test90_img = np.array(file90_data)
|
||||
|
||||
plt.imshow(test90_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
test90_img = test90_img / 255
|
||||
test90_img = test90_img.reshape(1, num_pixels)
|
||||
|
||||
result_3 = model.predict(test90_img)
|
||||
print('I think it\'s ', np.argmax(result_3))
|
||||
```
|
||||
|
||||
>I think it's 7
|
||||
|
||||
```
|
||||
from PIL import Image
|
||||
file902_data = Image.open('test90_2.png')
|
||||
file902_data = file902_data.convert('L') # перевод в градации серого
|
||||
test902_img = np.array(file902_data)
|
||||
|
||||
plt.imshow(test902_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
test902_img = test902_img / 255
|
||||
test902_img = test902_img.reshape(1, num_pixels)
|
||||
|
||||
result_4 = model.predict(test902_img)
|
||||
print('I think it\'s ', np.argmax(result_4))
|
||||
```
|
||||
|
||||
>I think it's 7
|
||||
|
||||
Сеть не распознала цифры на изображениях корректно.
|
||||
Загрузка…
Ссылка в новой задаче