Изменил(а) на 'labworks/LW1/report.md'

labworks/LW1/report.md

@@ -7,7 +7,7 @@ import os
 os.chdir('/content/drive/MyDrive/Colab Notebooks')
 ```
 
-* 1.1 Импорт необходимых модулей.
+1.1 Импорт необходимых модулей.
 ```
 from tensorflow import keras
 import matplotlib.pyplot as plt
@@ -25,17 +25,17 @@ from keras.datasets import mnist
 ```
 from sklearn.model_selection import train_test_split
 ```
-* 3.1 Объединение в один набор.
+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)
+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.
+3.3 Вывод размерностей.
 ```
 print('Shape of X train:', X_train.shape)
 print('Shape of y train:', y_train.shape)
@@ -45,7 +45,7 @@ print('Shape of y train:', y_train.shape)
 > Shape of y train: (60000,) 
 
 ## 4. Вывод обучающих данных.
-* 4.1 Выведем первые четыре элемента обучающих данных.
+4.1 Выведем первые четыре элемента обучающих данных.
 ```
 plt.figure(figsize=(10, 3))
 for i in range(4):
@@ -60,7 +60,7 @@ plt.show()
 ![отображение элементов](1.png)
 
 ## 5. Предобработка данных.
-* 5.1 Развернем каждое изображение в вектор.
+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
@@ -70,7 +70,7 @@ print('Shape of transformed X train:', X_train.shape)
 
 > Shape of transformed X train: (60000, 784) 
 
-* 5.2 Переведем метки в one-hot.
+5.2 Переведем метки в one-hot.
 ```
 from keras.utils import to_categorical
 
@@ -89,12 +89,12 @@ from keras.models import Sequential
 from keras.layers import Dense
 ```
 
-* 6.1. Создаем модель - объявляем ее объектом класса Sequential, добавляем выходной слой.
+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.
+6.2. Компилируем модель.
 ```
 model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
 print(model.summary())
@@ -110,12 +110,12 @@ print(model.summary())
 >Trainable params: 0 (0.00 B)
 >Non-trainable params: 0 (0.00 B)
 
-* 6.3 Обучаем модель.
+6.3 Обучаем модель.
 ```
 H = model.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 6.4 Выводим график функции ошибки
+6.4 Выводим график функции ошибки
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -141,7 +141,7 @@ print('Accuracy on test data:', scores[1])
 >Accuracy on test data: 0.9225000143051147 
 
 ## 8. Добавление одного скрытого слоя.
-* 8.1 При 100 нейронах в скрытом слое.
+8.1 При 100 нейронах в скрытом слое.
 ```
 model100 = Sequential()
 model100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
@@ -164,12 +164,12 @@ print(model100.summary())
 >Trainable params: 79,510 (310.59 KB)
 >Non-trainable params: 0 (0.00 B)
 
-* 8.2 Обучение модели.
+8.2 Обучение модели.
 ```
 H = model100.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 8.3 График функции ошибки.
+8.3 График функции ошибки.
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -193,7 +193,7 @@ print('Accuracy on test data:', scores[1])
 >Loss on test data: 0.19745595753192902
 >Accuracy on test data: 0.9442999958992004
 
-* 8.4 При 300 нейронах в скрытом слое.
+8.4 При 300 нейронах в скрытом слое.
 ```
 model300 = Sequential()
 model300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
@@ -216,12 +216,12 @@ print(model300.summary())
 >Trainable params: 238,510 (931.68 KB)
 >Non-trainable params: 0 (0.00 B)
 
-* 8.5 Обучение модели.
+8.5 Обучение модели.
 ```
 H = model300.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 8.6 Вывод графиков функции ошибки.
+8.6 Вывод графиков функции ошибки.
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -245,7 +245,7 @@ print('Accuracy on test data:', scores[1])
 >Loss on test data: 0.22660093009471893
 >Accuracy on test data: 0.9348000288009644
 
-* 8.7 При 500 нейронах в скрытом слое.
+8.7 При 500 нейронах в скрытом слое.
 ```
 model500 = Sequential()
 model500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
@@ -268,12 +268,12 @@ print(model500.summary())
 >Trainable params: 397,510 (1.52 MB)
 >Non-trainable params: 0 (0.00 B)
 
-* 8.8 Обучение модели.
+8.8 Обучение модели.
 ```
 H = model500.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 8.9 Вывод графиков функции ошибки.
+8.9 Вывод графиков функции ошибки.
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -302,7 +302,7 @@ print('Accuracy on test data:', scores[1])
 Точность тестовых данных: 0.9442999958992004
 
 ## 9. Добавление второго скрытого слоя.
-* 9.1 При 50 нейронах во втором скрытом слое.
+9.1 При 50 нейронах во втором скрытом слое.
 ```
 model10050 = Sequential()
 model10050.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
@@ -328,12 +328,12 @@ print(model10050.summary())
 >Trainable params: 84,060 (328.36 KB)
 >Non-trainable params: 0 (0.00 B) 
 
-* 9.2 Обучаем модель.
+9.2 Обучаем модель.
 ```
 H = model10050.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 9.3 Выводим график функции ошибки.
+9.3 Выводим график функции ошибки.
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -357,7 +357,7 @@ print('Accuracy on test data:', scores[1])
 >Loss on test data: 0.1993969976902008
 >Accuracy on test data: 0.9438999891281128
 
-* 9.4 При 100 нейронах во втором скрытом слое.
+9.4 При 100 нейронах во втором скрытом слое.
 ```
 model100100 = Sequential()
 model100100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
@@ -383,12 +383,12 @@ print(model100100.summary())
 >Trainable params: 89,610 (350.04 KB)
 >Non-trainable params: 0 (0.00 B)
 
-* 9.5 Обучаем модель.
+9.5 Обучаем модель.
 ```
 H = model100100.fit(X_train, y_train, validation_split=0.1, epochs=50)
 ```
 
-* 9.6 Выводим график функции ошибки.
+9.6 Выводим график функции ошибки.
 ```
 plt.plot(H.history['loss'])
 plt.plot(H.history['val_loss'])
@@ -430,7 +430,7 @@ print('Accuracy on test data:', scores[1])
 model100.save('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
 ```
 
-* 11.1 Загрузка лучшей модели с диска.
+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')
@@ -470,7 +470,8 @@ print('NN answer: ', str(np.argmax(result)))
 >NN answer:  9
 
 ## 13. Тестирование на собственных изображениях.
-* 13.1 Загрузка 1 собственного изображения.
+
+13.1 Загрузка 1 собственного изображения.
 ```
 from PIL import Image
 file_data = Image.open('test.png')
@@ -478,7 +479,7 @@ file_data = file_data.convert('L') # перевод в градации серо
 test_img = np.array(file_data)
 ```
 
-* 13.2 Вывод собственного изображения.
+13.2 Вывод собственного изображения.
 ```
 plt.imshow(test_img, cmap=plt.get_cmap('gray'))
 plt.show()
@@ -486,20 +487,20 @@ plt.show()
 
 ![1 изображение](10.png)
 
-* 13.3 Предобработка.
+13.3 Предобработка.
 ```
 test_img = test_img / 255
 test_img = test_img.reshape(1, num_pixels)
 ```
 
-* 13.4 Распознавание.
+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.
+13.5 Тест 2 изображения.
 ```
 from PIL import Image
 file2_data = Image.open('test_2.png')