From 7ae47e84567a6a922a63ae9ac904ac1e488e1e4f Mon Sep 17 00:00:00 2001 From: Elizaveta Ishutina Date: Thu, 16 Oct 2025 11:55:16 +0300 Subject: [PATCH] pics fixed --- LW1/report.md | 9 +++++---- 1 file changed, 5 insertions(+), 4 deletions(-) diff --git a/LW1/report.md b/LW1/report.md index 0e5a150..083bbcb 100644 --- a/LW1/report.md +++ b/LW1/report.md @@ -87,8 +87,8 @@ for i in range(4): plt.title(f'Label: {y_train[i]}', fontsize = 6) plt.axis('off') plt.show() -![alt text](image-2.png) ``` +![alt text](image-2.png) ### *5. Провести предобработку данных: привести обучающие и тестовые данные к формату, пригодному для обучения нейронной сети. Входныеданные должны принимать значения от 0 до 1, метки цифрдолжны быть закодированы по принципу «one-hotencoding».Вывести размерности предобработанных обучающих и тестовых массивов данных.* @@ -180,8 +180,8 @@ plt.show() Epoch 1/50 1688/1688 ━━━━━━━━━━━━━━━━━━━━ 6s 3ms/step - accuracy: 0.6993 - loss: 1.1736 - val_accuracy: 0.8783 - val_loss: 0.5063 ... -![alt text](image-3.png) ``` +![alt text](image-3.png) ### *7. Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных.* @@ -254,8 +254,8 @@ plt.title('Accuracy on test data depending on hidden layer size') plt.xlabel('Number of neurons in hidden layer') plt.ylabel('Accuracy') plt.show() -![alt text](image-4.png) ``` +![alt text](image-4.png) Результаты тестирования показывают, что с увеличением числа нейронов в скрытом слое точность модели немного снижается. По графику видно, что увеличение числа нейронов не приводит к улучшению качества классификации, а наоборот, вызывает лёгкое переобучение и снижение точности на тестовой выборке. @@ -368,8 +368,9 @@ for i, idx in enumerate(indices): plt.title(f'True: {true_labels[i]}, Pred: {predicted_labels[i]}') plt.axis('off') plt.show() -![alt text](image-5.png) ``` +![alt text](image-5.png) + `np.argmax()` извлекает индекс максимального значения в векторе вероятностей (то есть номер класса). `model2.predict()` возвращает вероятность принадлежности изображения к каждому из 10 классов. Для наглядности в заголовках указаны истинная метка (True) и предсказанная моделью (Pred). ### *13. Каждому члену бригады создать собственное изображение рукописной цифры, подобное представленным в наборе MNIST. Цифру выбрать как остаток от деления на 10 числа своего дня рождения (например, 29 февраля → 29 mod10 = 9). Сохранить изображения. Загрузить, предобработать и подать на вход обученной нейронной сети собственные изображения. Вывести изображения и результаты распознавания.*