форкнуто от main/is_dnn
Сравнить коммиты
2 Коммитов
| Автор | SHA1 | Дата |
|---|---|---|
 Сергей Филатов
|
b344e76a21 | 4 дней назад |
Lipisin
|
047d249b1f | 2 недель назад |
|
До Ширина: | Высота: | Размер: 22 KiB |
|
До Ширина: | Высота: | Размер: 7.6 KiB |
|
До Ширина: | Высота: | Размер: 6.3 KiB |
|
До Ширина: | Высота: | Размер: 6.3 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 27 KiB |
|
До Ширина: | Высота: | Размер: 31 KiB |
|
До Ширина: | Высота: | Размер: 7.6 KiB |
|
До Ширина: | Высота: | Размер: 31 KiB |
|
До Ширина: | Высота: | Размер: 8.0 KiB |
|
До Ширина: | Высота: | Размер: 7.0 KiB |
Различия файлов скрыты, потому что одна или несколько строк слишком длинны
Различия файлов скрыты, потому что одна или несколько строк слишком длинны
@ -1,4 +1,11 @@
|
||||
* [Задание](IS_Lab01_2023.pdf)
|
||||
## Лабораторныа работа №1
|
||||
|
||||
## Архитектура и обучение глубоких нейронных сетей
|
||||
|
||||
* [Задание](IS_Lab01_2023.pdf)
|
||||
|
||||
* [Методические указания](IS_Lab01_Metod_2023.pdf)
|
||||
|
||||
* <a href="https://youtube.com/playlist?list=PLfdZ2TeaMzfzlpZ60rbaYU_epH5XPNbWU" target="_blank"><s>Какие нейроны, что вообще происходит?</s> Рекомендуется к просмотру для понимания (4 видео)</a>
|
||||
|
||||
* <a href="https://www.youtube.com/watch?v=FwFduRA_L6Q" target="_blank">Почувствуйте себя пионером нейронных сетей в области распознавания образов</a>
|
||||
|
До Ширина: | Высота: | Размер: 22 KiB |
|
До Ширина: | Высота: | Размер: 7.6 KiB |
|
До Ширина: | Высота: | Размер: 6.3 KiB |
|
До Ширина: | Высота: | Размер: 182 B |
|
До Ширина: | Высота: | Размер: 6.3 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 28 KiB |
|
До Ширина: | Высота: | Размер: 27 KiB |
|
До Ширина: | Высота: | Размер: 31 KiB |
|
До Ширина: | Высота: | Размер: 327 B |
|
До Ширина: | Высота: | Размер: 7.6 KiB |
|
До Ширина: | Высота: | Размер: 31 KiB |
|
До Ширина: | Высота: | Размер: 8.0 KiB |
|
До Ширина: | Высота: | Размер: 7.0 KiB |
@ -1,610 +0,0 @@
|
||||
# Отчет по лабораторной работе №1
|
||||
Касимов Азамат, Немыкин Никита, 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 = 27)
|
||||
```
|
||||
|
||||
* 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"
|
||||
> ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
> ┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
> ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
> │ dense (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])
|
||||
print('Accuracyontestdata:',scores[1])
|
||||
```
|
||||
|
||||
> - accuracy: 0.9206 - loss: 0.2956
|
||||
>Lossontestdata: 0.2900226414203644
|
||||
>Accuracyontestdata: 0.9222000241279602
|
||||
|
||||
## 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_1 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_2 (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: 0.9436 - loss: 0.2091
|
||||
>Lossontestdata: 0.20427274703979492
|
||||
>Accuracyontestdata: 0.9438999891281128 '
|
||||
|
||||
* 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_3"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_5 (Dense) │ (None, 300) │ 235,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_6 (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: 0.9365 - loss: 0.2352
|
||||
>Lossontestdata: 0.23040874302387238
|
||||
>Accuracyontestdata: 0.9372000098228455
|
||||
|
||||
* 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_4"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_7 (Dense) │ (None, 500) │ 392,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_8 (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: 0.9290 - loss: 0.2572
|
||||
>Lossontestdata: 0.25275251269340515
|
||||
>Accuracyontestdata: 0.9301000237464905
|
||||
|
||||
Как мы видим, лучшая метрика получилась равной 0.9438999891281128 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_5"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_9 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_10 (Dense) │ (None, 50) │ 5,050 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_11 (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: 0.9423 - loss: 0.2074
|
||||
>Lossontestdata: 0.20320768654346466
|
||||
>Accuracyontestdata: 0.9427000284194946
|
||||
|
||||
* 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_6"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_12 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_13 (Dense) │ (None, 100) │ 10,100 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_14 (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: 0.9435 - loss: 0.2058
|
||||
>Lossontestdata: 0.2007063776254654
|
||||
>Accuracyontestdata: 0.9431999921798706
|
||||
|
||||
Количество Количество нейронов в Количество нейронов во Значение метрики
|
||||
скрытых слоев первом скрытом слое втором скрытом слое качества классификации
|
||||
0 - - 0.9222000241279602
|
||||
1 100 - 0.9438999891281128
|
||||
1 300 - 0.9372000098228455
|
||||
1 500 - 0.9301000237464905
|
||||
2 100 50 0.9427000284194946
|
||||
2 100 100 0.9431999921798706
|
||||
|
||||
Наилучшую точность (0.9467999935150146) показала модель содержащая 100 нейронов в скрытом слое.
|
||||
|
||||
## 11. Сохранение наилучшей модели на диск
|
||||
```
|
||||
model_2l_100.save(filepath='best_model.keras')
|
||||
```
|
||||
|
||||
## 12. Вывод тестовых изображений и результатов распознаваний
|
||||
```
|
||||
n = 150
|
||||
result = model_2l_100.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: [[3.86779779e-04 3.69515050e-08 2.03053992e-06 1.15266894e-05
|
||||
> 1.57332561e-05 4.79512411e-04 7.92529917e-08 9.95542467e-01
|
||||
> 1.50878295e-05 3.54681048e-03]]
|
||||
|
||||
>Real mark: 7
|
||||
>NN answer: 7
|
||||
|
||||
```
|
||||
n = 810
|
||||
result = model_2l_100.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: [[8.1927046e-06 9.8501807e-01 4.7102575e-03 1.5754283e-03 5.3024664e-06
|
||||
> 2.3075400e-03 6.3471968e-04 7.6599965e-05 5.5682263e-03 9.5791329e-05]]
|
||||
|
||||
>Real mark: 1
|
||||
>NN answer: 1 '
|
||||
|
||||
## 12. Тестирование на собственных изображениях
|
||||
* загрузка 1 собственного изображения
|
||||
```
|
||||
from PIL import Image
|
||||
file_1_data = Image.open('ИИЛР1_6.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_2l_100.predict(test_1_img)
|
||||
print('I think it\'s', np.argmax(result_1))
|
||||
```
|
||||
> I think it's 6
|
||||
|
||||
* тест 2 изображения
|
||||
```
|
||||
file_2_data = Image.open('ИИЛР1_1.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 1
|
||||
|
||||
Сеть не ошиблась и корректно распознала обе цифры на изображениях
|
||||
|
||||
## 14. Тестирование на собственных повернутых изображениях
|
||||
```
|
||||
file_190_data = Image.open('ИИЛР1_690.png')
|
||||
file_190_data = file_190_data.convert('L') #перевод в градации серого
|
||||
test_190_img = np.array(file_190_data)
|
||||
|
||||
plt.imshow(test_190_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
test_190_img = test_190_img / 255
|
||||
test_190_img = test_190_img.reshape(1, num_pixels)
|
||||
|
||||
result_190 = model_2l_100.predict(test_190_img)
|
||||
print('I think it\'s', np.argmax(result_190))
|
||||
```
|
||||
|
||||
> I think it's 2
|
||||
|
||||
```
|
||||
file_290_data = Image.open('ИИЛР1_190.png')
|
||||
file_290_data = file_290_data.convert('L') #перевод в градации серого
|
||||
test_290_img = np.array(file_290_data)
|
||||
|
||||
plt.imshow(test_290_img, cmap=plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
test_290_img = test_290_img / 255
|
||||
test_290_img = test_290_img.reshape(1, num_pixels)
|
||||
|
||||
result_290 = model.predict(test_290_img)
|
||||
print('I think it\'s', np.argmax(result_290))
|
||||
```
|
||||
|
||||
> I think it's 4
|
||||
|
||||
При повороте изображений сеть не распознала цифры правильно. Так как она не обучалась на повернутых изображениях.
|
||||
@ -1,4 +1,11 @@
|
||||
* [Задание](IS_Lab02_2023.pdf)
|
||||
## Лабораторныа работа №2
|
||||
|
||||
## Обнаружение аномалий
|
||||
|
||||
* [Задание](IS_Lab02_2023.pdf)
|
||||
|
||||
* [Методические указания](IS_Lab02_Metod_2023.pdf)
|
||||
|
||||
* [Наборы данных](data)
|
||||
|
||||
* [Библиотека для автокодировщиков](lab02_lib.py)
|
||||
@ -0,0 +1,9 @@
|
||||
## Лабораторныа работа №3
|
||||
|
||||
## Распознавание изображений
|
||||
|
||||
* [Задание](IS_Lab03_2023.pdf)
|
||||
|
||||
* [Методические указания](IS_Lab03_Metod_2023.pdf)
|
||||
|
||||
* <a href="https://youtube.com/playlist?list=PLZDCDMGmelH-pHt-Ij0nImVrOmj8DYKbB" target="_blank">Плейлист с видео о сверточных сетях</a>
|
||||
Загрузка…
Ссылка в новой задаче