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.
530 строки
27 KiB
Markdown
530 строки
27 KiB
Markdown
# Отчёт по лабораторной работе №3
|
|
|
|
**Качисов Азамат, Немыкин Никита — А-0ё-22**
|
|
|
|
---
|
|
## Задание 1
|
|
|
|
### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки и модули.
|
|
|
|
```python
|
|
# импорт модулей
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab3')
|
|
|
|
from tensorflow import keras
|
|
from tensorflow.keras import layers
|
|
from tensorflow.keras.models import Sequential
|
|
import matplotlib.pyplot as plt
|
|
import numpy as np
|
|
from sklearn.metrics import classification_report, confusion_matrix
|
|
from sklearn.metrics import ConfusionMatrixDisplay
|
|
```
|
|
|
|
### 2) Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
|
|
|
|
```python
|
|
# загрузка датасета
|
|
from keras.datasets import mnist
|
|
(X_train, y_train), (X_test, y_test) = mnist.load_data()
|
|
```
|
|
|
|
### 3) Разбили набор данных на обучающие и тестовые данные в соотношении 60 000:10 000 элементов. Параметр random_state выбрали равным (4k – 1)=23, где k=6 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# создание своего разбиения датасета
|
|
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 = 23)
|
|
# вывод размерностей
|
|
print('Shape of X train:', X_train.shape)
|
|
print('Shape of y train:', y_train.shape)
|
|
print('Shape of X test:', X_test.shape)
|
|
print('Shape of y test:', y_test.shape)
|
|
```
|
|
```
|
|
Shape of X train: (60000, 28, 28)
|
|
Shape of y train: (60000,)
|
|
Shape of X test: (10000, 28, 28)
|
|
Shape of y test: (10000,)
|
|
```
|
|
|
|
### 4) Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения сверточной нейронной сети. Входные данные принимают значения от 0 до 1, метки цифр закодированы по принципу «one-hot encoding». Вывели размерности предобработанных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# Зададим параметры данных и модели
|
|
num_classes = 10
|
|
input_shape = (28, 28, 1)
|
|
|
|
# Приведение входных данных к диапазону [0, 1]
|
|
X_train = X_train / 255
|
|
X_test = X_test / 255
|
|
|
|
# Расширяем размерность входных данных, чтобы каждое изображение имело
|
|
# размерность (высота, ширина, количество каналов)
|
|
|
|
X_train = np.expand_dims(X_train, -1)
|
|
X_test = np.expand_dims(X_test, -1)
|
|
print('Shape of transformed X train:', X_train.shape)
|
|
print('Shape of transformed X test:', X_test.shape)
|
|
|
|
# переведем метки в one-hot
|
|
y_train = keras.utils.to_categorical(y_train, num_classes)
|
|
y_test = keras.utils.to_categorical(y_test, num_classes)
|
|
print('Shape of transformed y train:', y_train.shape)
|
|
print('Shape of transformed y test:', y_test.shape)
|
|
```
|
|
```
|
|
Shape of transformed X train: (60000, 28, 28, 1)
|
|
Shape of transformed X test: (10000, 28, 28, 1)
|
|
Shape of transformed y train: (60000, 10)
|
|
Shape of transformed y test: (10000, 10)
|
|
```
|
|
|
|
### 5) Реализовали модель сверточной нейронной сети и обучили ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели информацию об архитектуре нейронной сети.
|
|
|
|
```python
|
|
# создаем модель
|
|
model = Sequential()
|
|
model.add(layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=input_shape))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(64, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Dropout(0.5))
|
|
model.add(layers.Flatten())
|
|
model.add(layers.Dense(num_classes, activation="softmax"))
|
|
|
|
model.summary()
|
|
```
|
|
**Model: "sequential"**
|
|
| Layer (type) | Output Shape | Param # |
|
|
|--------------------------------|---------------------|--------:|
|
|
| conv2d (Conv2D) | (None, 26, 26, 32) | 320 |
|
|
| max_pooling2d (MaxPooling2D) | (None, 13, 13, 32) | 0 |
|
|
| conv2d_1 (Conv2D) | (None, 11, 11, 64) | 18,496 |
|
|
| max_pooling2d_1 (MaxPooling2D) | (None, 5, 5, 64) | 0 |
|
|
| dropout (Dropout) | (None, 5, 5, 64) | 0 |
|
|
| flatten (Flatten) | (None, 1600) | 0 |
|
|
| dense (Dense) | (None, 10) | 16,010 |
|
|
**Total params:** 34,826 (136.04 KB)
|
|
**Trainable params:** 34,826 (136.04 KB)
|
|
**Non-trainable params:** 0 (0.00 B)
|
|
|
|
```python
|
|
# компилируем и обучаем модель
|
|
batch_size = 512
|
|
epochs = 15
|
|
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
|
|
model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
|
|
```
|
|
|
|
### 6) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = model.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
```
|
|
313/313 ━━━━━━━━━━━━━━━━━━━━ 3s 9ms/step - accuracy: 0.9891 - loss: 0.0327
|
|
Loss on test data: 0.03766785189509392
|
|
Accuracy on test data: 0.9879000186920166
|
|
```
|
|
|
|
### 7) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
|
|
|
|
```python
|
|
# вывод двух тестовых изображений и результатов распознавания
|
|
|
|
for n in [11,43]:
|
|
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: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
```
|
|
Real mark: 2
|
|
NN answer: 2
|
|
```
|
|
|
|
```
|
|
Real mark: 9
|
|
NN answer: 9
|
|
```
|
|
|
|
### 8) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
|
|
|
|
```python
|
|
# истинные метки классов
|
|
true_labels = np.argmax(y_test, axis=1)
|
|
# предсказанные метки классов
|
|
predicted_labels = np.argmax(model.predict(X_test), axis=1)
|
|
|
|
# отчет о качестве классификации
|
|
print(classification_report(true_labels, predicted_labels))
|
|
# вычисление матрицы ошибок
|
|
conf_matrix = confusion_matrix(true_labels, predicted_labels)
|
|
# отрисовка матрицы ошибок в виде "тепловой карты"
|
|
display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix)
|
|
display.plot()
|
|
plt.show()
|
|
```
|
|
```
|
|
313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 5ms/step
|
|
precision recall f1-score support
|
|
|
|
0 1.00 0.99 0.99 997
|
|
1 1.00 0.99 1.00 1164
|
|
2 0.99 0.98 0.98 1030
|
|
3 1.00 0.98 0.99 1031
|
|
4 0.99 0.99 0.99 967
|
|
5 0.97 0.99 0.98 860
|
|
6 0.99 0.99 0.99 977
|
|
7 0.99 0.99 0.99 1072
|
|
8 0.98 0.98 0.98 939
|
|
9 0.99 0.98 0.99 963
|
|
|
|
accuracy 0.99 10000
|
|
macro avg 0.99 0.99 0.99 10000
|
|
weighted avg 0.99 0.99 0.99 10000
|
|
```
|
|
|
|
|
|
### 9) Загрузили, предобработали и подали на вход обученной нейронной сети собственное изображение, созданное при выполнении лабораторной работы №1. Вывели изображение и результат распознавания.
|
|
|
|
```python
|
|
# загрузка собственного изображения
|
|
from PIL import Image
|
|
|
|
for name_image in ['190 (2).png', '690 (1).png']:
|
|
file_data = Image.open(name_image)
|
|
file_data = file_data.convert('L') # перевод в градации серого
|
|
test_img = np.array(file_data)
|
|
|
|
# вывод собственного изображения
|
|
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
|
|
# предобработка
|
|
test_img = test_img / 255
|
|
test_img = np.reshape(test_img, (1,28,28,1))
|
|
|
|
# распознавание
|
|
result = model.predict(test_img)
|
|
print('I think it\'s', np.argmax(result))
|
|
```
|
|
|
|
```
|
|
I think it's 1
|
|
```
|
|
|
|
```
|
|
I think it's 6
|
|
```
|
|
|
|
### 10) Загрузили с диска модель, сохраненную при выполнении лабораторной работы №1. Вывели информацию об архитектуре модели. Повторили для этой модели п. 6.
|
|
|
|
```python
|
|
model_lr1 = keras.models.load_model("model_1h100_2h50.keras")
|
|
|
|
model_lr1.summary()
|
|
```
|
|
**Model: "sequential_10"**
|
|
| Layer (type) | Output Shape | Param # |
|
|
|------------------|-------------:|--------:|
|
|
| dense_1 (Dense) | (None, 100) | 78,500 |
|
|
| dense_2 (Dense) | (None, 10) | 1,010 |
|
|
Total params: 79,512 (310.60 KB)
|
|
Trainable params: 79,510 (310.59 KB)
|
|
Non-trainable params: 0 (0.00 B)
|
|
Optimizer params: 2 (12.00 B)
|
|
|
|
|
|
```python
|
|
# развернем каждое изображение 28*28 в вектор 784
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y,
|
|
test_size = 10000,
|
|
train_size = 60000,
|
|
random_state = 23)
|
|
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)
|
|
print('Shape of transformed X train:', X_test.shape)
|
|
|
|
# переведем метки в one-hot
|
|
y_train = keras.utils.to_categorical(y_train, num_classes)
|
|
y_test = keras.utils.to_categorical(y_test, num_classes)
|
|
print('Shape of transformed y train:', y_train.shape)
|
|
print('Shape of transformed y test:', y_test.shape)
|
|
```
|
|
```
|
|
Shape of transformed X train: (60000, 784)
|
|
Shape of transformed X train: (10000, 784)
|
|
Shape of transformed y train: (60000, 10)
|
|
Shape of transformed y test: (10000, 10)
|
|
```
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = model_lr1.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
```
|
|
313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 3ms/step - accuracy: 0.9490 - loss: 0.1739
|
|
Loss on test data: 0.18475718796253204
|
|
Accuracy on test data: 0.9458000063896179
|
|
```
|
|
|
|
### 11) Сравнили обученную модель сверточной сети и наилучшую модель полносвязной сети из лабораторной работы №1 по следующим показателям:
|
|
### - количество настраиваемых параметров в сети
|
|
### - количество эпох обучения
|
|
### - качество классификации тестовой выборки.
|
|
### Сделали выводы по результатам применения сверточной нейронной сети для распознавания изображений.
|
|
|
|
Таблица1:
|
|
|
|
| Модель | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
|
|
|----------|-------------------------------------|---------------------------|-----------------------------------------|
|
|
| Сверточная | 34 826 | 15 | accuracy:0.987 ; loss:0.037 |
|
|
| Полносвязная | 79512 | 50 | accuracy:0.946 ; loss:0.185 |
|
|
|
|
|
|
##### По результатам применения сверточной НС, а также по результатам таблицы 1 делаем выводы, что сверточная НС намного лучше справляется с задачами распознования изображений, чем полносвязная - имеет меньше настраиваемых параметров, быстрее обучается, имеет лучшие показатели качества.
|
|
|
|
## Задание 2
|
|
|
|
### В новом блокноте выполнили п. 2–8 задания 1, изменив набор данных MNIST на CIFAR-10, содержащий размеченные цветные изображения объектов, разделенные на 10 классов.
|
|
### При этом:
|
|
### - в п. 3 разбиение данных на обучающие и тестовые произвели в соотношении 50 000:10 000
|
|
### - после разбиения данных (между п. 3 и 4) вывели 25 изображений из обучающей выборки с подписями классов
|
|
### - в п. 7 одно из тестовых изображений должно распознаваться корректно, а другое – ошибочно.
|
|
|
|
### 1) Загрузили набор данных CIFAR-10, содержащий цветные изображения размеченные на 10 классов: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль, грузовик.
|
|
|
|
```python
|
|
# загрузка датасета
|
|
from keras.datasets import cifar10
|
|
|
|
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
|
|
```
|
|
|
|
### 2) Разбили набор данных на обучающие и тестовые данные в соотношении 50 000:10 000 элементов. Параметр random_state выбрали равным (4k – 1)=23, где k=6 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# создание своего разбиения датасета
|
|
|
|
# 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 = 50000,
|
|
random_state = 23)
|
|
# вывод размерностей
|
|
print('Shape of X train:', X_train.shape)
|
|
print('Shape of y train:', y_train.shape)
|
|
print('Shape of X test:', X_test.shape)
|
|
print('Shape of y test:', y_test.shape)
|
|
```
|
|
```
|
|
Shape of X train: (50000, 32, 32, 3)
|
|
Shape of y train: (50000, 1)
|
|
Shape of X test: (10000, 32, 32, 3)
|
|
Shape of y test: (10000, 1)
|
|
```
|
|
|
|
### Вывели 25 изображений из обучающей выборки с подписью классов.
|
|
|
|
```python
|
|
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
|
|
'dog', 'frog', 'horse', 'ship', 'truck']
|
|
|
|
plt.figure(figsize=(10,10))
|
|
for i in range(25):
|
|
plt.subplot(5,5,i+1)
|
|
plt.xticks([])
|
|
plt.yticks([])
|
|
plt.grid(False)
|
|
plt.imshow(X_train[i])
|
|
plt.xlabel(class_names[y_train[i][0]])
|
|
plt.show()
|
|
```
|
|
|
|
|
|
### 3) Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения сверточной нейронной сети. Входные данные принимают значения от 0 до 1, метки цифр закодированы по принципу «one-hot encoding». Вывели размерности предобработанных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# Зададим параметры данных и модели
|
|
num_classes = 10
|
|
input_shape = (32, 32, 3)
|
|
|
|
# Приведение входных данных к диапазону [0, 1]
|
|
X_train = X_train / 255
|
|
X_test = X_test / 255
|
|
|
|
print('Shape of transformed X train:', X_train.shape)
|
|
print('Shape of transformed X test:', X_test.shape)
|
|
|
|
# переведем метки в one-hot
|
|
y_train = keras.utils.to_categorical(y_train, num_classes)
|
|
y_test = keras.utils.to_categorical(y_test, num_classes)
|
|
print('Shape of transformed y train:', y_train.shape)
|
|
print('Shape of transformed y test:', y_test.shape)
|
|
```
|
|
```
|
|
Shape of transformed X train: (50000, 32, 32, 3)
|
|
Shape of transformed X test: (10000, 32, 32, 3)
|
|
Shape of transformed y train: (50000, 10)
|
|
Shape of transformed y test: (10000, 10)
|
|
```
|
|
|
|
### 4) Реализовали модель сверточной нейронной сети и обучили ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели информацию об архитектуре нейронной сети.
|
|
|
|
```python
|
|
# создаем модель
|
|
model = Sequential()
|
|
model.add(layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=input_shape))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(64, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(128, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Flatten())
|
|
model.add(layers.Dense(128, activation='relu'))
|
|
model.add(layers.Dropout(0.5))
|
|
model.add(layers.Dense(num_classes, activation="softmax"))
|
|
model.summary()
|
|
```
|
|
Model: "sequential_1"
|
|
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
│ conv2d_2 (Conv2D) │ (None, 30, 30, 32) │ 896 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_2 (MaxPooling2D) │ (None, 15, 15, 32) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ conv2d_3 (Conv2D) │ (None, 13, 13, 64) │ 18,496 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_3 (MaxPooling2D) │ (None, 6, 6, 64) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ conv2d_4 (Conv2D) │ (None, 4, 4, 128) │ 73,856 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_4 (MaxPooling2D) │ (None, 2, 2, 128) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ flatten_1 (Flatten) │ (None, 512) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense_1 (Dense) │ (None, 128) │ 65,664 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dropout_1 (Dropout) │ (None, 128) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense_2 (Dense) │ (None, 10) │ 1,290 │
|
|
└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
Total params: 160,202 (625.79 KB)
|
|
Trainable params: 160,202 (625.79 KB)
|
|
Non-trainable params: 0 (0.00 B)
|
|
|
|
```python
|
|
# компилируем и обучаем модель
|
|
batch_size = 64
|
|
epochs = 50
|
|
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
|
|
model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
|
|
```
|
|
|
|
### 5) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = model.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
```
|
|
313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 4ms/step - accuracy: 0.7087 - loss: 1.3107
|
|
Loss on test data: 1.2974315881729126
|
|
Accuracy on test data: 0.7123000025749207
|
|
```
|
|
|
|
### 6) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
|
|
|
|
```python
|
|
# вывод двух тестовых изображений и результатов распознавания
|
|
|
|
for n in [3,16]:
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n].reshape(32,32,3), cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
print('Real mark: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
```
|
|
Real mark: 0
|
|
NN answer: 0
|
|
```
|
|
|
|
```
|
|
Real mark: 7
|
|
NN answer: 2
|
|
```
|
|
|
|
### 7) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
|
|
|
|
```python
|
|
# истинные метки классов
|
|
true_labels = np.argmax(y_test, axis=1)
|
|
# предсказанные метки классов
|
|
predicted_labels = np.argmax(model.predict(X_test), axis=1)
|
|
|
|
# отчет о качестве классификации
|
|
print(classification_report(true_labels, predicted_labels, target_names=class_names))
|
|
# вычисление матрицы ошибок
|
|
conf_matrix = confusion_matrix(true_labels, predicted_labels)
|
|
# отрисовка матрицы ошибок в виде "тепловой карты"
|
|
fig, ax = plt.subplots(figsize=(6, 6))
|
|
disp = ConfusionMatrixDisplay(confusion_matrix=conf_matrix,display_labels=class_names)
|
|
disp.plot(ax=ax, xticks_rotation=45) # поворот подписей по X и приятная палитра
|
|
plt.tight_layout() # чтобы всё влезло
|
|
plt.show()
|
|
```
|
|
```
|
|
313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step
|
|
precision recall f1-score support
|
|
|
|
airplane 0.69 0.76 0.72 986
|
|
automobile 0.85 0.80 0.82 971
|
|
bird 0.66 0.60 0.63 1043
|
|
cat 0.54 0.55 0.55 1037
|
|
deer 0.66 0.67 0.67 969
|
|
dog 0.63 0.64 0.63 979
|
|
frog 0.78 0.78 0.78 1025
|
|
horse 0.74 0.73 0.74 948
|
|
ship 0.79 0.82 0.80 1003
|
|
truck 0.80 0.78 0.79 1039
|
|
|
|
accuracy 0.71 10000
|
|
macro avg 0.71 0.71 0.71 10000
|
|
weighted avg 0.71 0.71 0.71 10000
|
|
```
|
|
|
|
|
|
### По результатам классификации датасета CIFAR-10 сверточной моделью делаем вывод, что она удовлетворительно справилась с задачей. Полученные метрики оценки качества имеют показатели в районе 0.71. |