# Отчет по лабораторной работе № 1

### Киселёв Матвей, Мамедов Расул А-01-22

## 1) В среде Google Colab создать новый блокнот (notebook). Импортировать необходимые для работы библиотеки и модули.

```py
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) Загрузить набор данных MNIST, содержащий размеченные изображения рукописных цифр.

```py
# загрузка датасета
from keras.datasets import mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()
```

## 3) Разбить набор данных на обучающие и тестовые данные в соотношении 60 000:10 000 элементов. При разбиении параметр random_state выбрать равным (4k – 1), где k – номер бригады. Вывести размерности полученных обучающих и тестовых массивов данных.

```py
# 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 = 4*6 -1)

# вывод размерностей
print('Shape of X train:', X_train.shape)
print('Shape of y train:', X_train.shape)
```

## 4) Вывести первые 4 элемента обучающих данных (изображения и метки цифр).

```py
for i in [0,1,2,3]:
    # вывод изображения
    plt.imshow(X_train[i], cmap=plt.get_cmap('gray'))
    plt.show()

    # вывод метки для этого изображения
    print(y_train[i])
```
![6](Рисунок1.png)

6

![4](Рисунок2.png)

4

![4](Рисунок3.png)

4

![3](Рисунок4.png)

3

## 5) Провести предобработку данных: привести обучающие и тестовые данные к формату, пригодному для обучения нейронной сети. Входные данные должны принимать значения от 0 до 1, метки цифр должны быть закодированы по принципу «one-hot encoding». Вывести размерности предобработанных обучающих и тестовых массивов данных.

```py
# 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)

# переведем метки в one-hot
from keras.utils import to_categorical
y_train = keras.utils.to_categorical(y_train)
y_test = keras.utils.to_categorical(y_test)
print('Shape of transformed y train:', y_train.shape)
num_classes = y_train.shape[1]
```

## 6) Реализовать модель однослойной нейронной сети и обучить ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывести информацию об архитектуре нейронной сети. Вывести график функции ошибки на обучающих и валидационных данных по эпохам.

```py
from keras.models import Sequential
from keras.layers import Dense

# 1. создаем модель - объявляем ее объектом класса Sequential
model = Sequential()
# 2. добавляем выходной слой
model.add(Dense(units=num_classes, activation='softmax'))
# 3. компилируем модель
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

# вывод информации об архитектуре модели
print(model.summary())

# Обучаем модель
H = model.fit(X_train, y_train, validation_split=0.1, epochs=50)
```

## 7) Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных.

```py
# вывод графика ошибки по эпохам
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()

# 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])
```
### Сеть без скрытых слоёв:

![Сеть без скрытых слоёв](Рисунок5.png)

### Оценка качества работы:

Loss on test data: 0.2811441123485565

Accuracy on test data: 0.9204000234603882

## 8) Добавить в модель один скрытый и провести обучение и тестирование (повторить п. 6–7) при 100, 300, 500 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрать наилучшее количество нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid.

```py
# добавляем первый скрытый слой
model.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
```
### 100 нейронов в 1 скрытом слое:

![100 нейронов в 1 скрытом слое:](Рисунок6.png)

### 300 нейронов в 1 скрытом слое:

![300 нейронов в 1 скрытом слое:](Рисунок7.png)

### 500 нейронов в 1 скрытом слое:

![500 нейронов в 1 скрытом слое:](Рисунок8.png)

### Вывод: по наибольшей метрике качества классификации на тестовых данных можно определить, что лучшее количество нейронов в скрытом слое - 100.

## 9) Добавить в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провести обучение и тестирование (повторить п. 6–7) при 50 и 100 нейронах во втором скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid.

```py
# добавляем второй скрытый слой
model.add(Dense(units=50, activation='sigmoid'))
```

### 100 нейронов в 1 скрытом слое и 50 во 2 скрытом слое:

![100 нейронов в 1 скрытом слое и 50 во 2 скрытом слое:](Рисунок9.png)

### 100 нейронов в 1 скрытом слое и 100 во 2 скрытом слое:

![100 нейронов в 1 скрытом слое и 100 во 2 скрытом слое:](Рисунок10.png)

## 10) Результаты исследования архитектуры нейронной сети занести в таблицу:

| Кол-во скрытых слоев | Нейроны в 1 слое | Нейроны во 2 слое | Точность |
|----------------------|------------------|-------------------|----------|
| 0                    | -                | -                 | 0.9204   |
| 1                    | 100              | -                 | 0.9592   |
| 1                    | 300              | -                 | 0.9536   |
| 1                    | 500              | -                 | 0.9488   |
| 2                    | 100              | 50                | 0.9618   |
| 2                    | 100              | 100               | 0.9603   |

### Вывод: как видно из таблицы, наилучший результат показала нейросеть с двумя скрытыми слоями, у которой 100 нейронов в первом скрытом слое и 50 во втором.

## 11) Сохранить наилучшую нейронную сеть на диск. Данную нейронную сеть потребуется загрузить с диска в одной из следующих лабораторных работ.

```py
model.save('best_model.keras')
```

## 12) Для нейронной сети наилучшей архитектуры вывести два тестовых изображения, истинные метки и результат распознавания изображений.

```py
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)))
```

![Real mark:  2 NN answer:  2](Рисунок11.png)

Real mark:  2 

NN answer:  2

![Real mark:  0 NN answer:  0](Рисунок12.png)

Real mark:  0 

NN answer:  0

## 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 mod 10 = 9). Сохранить изображения. Загрузить, предобработать и подать на вход обученной нейронной сети собственные изображения. Вывести изображения и результаты распознавания.

```py
# загрузка собственного изображения
from PIL import Image
file_data = Image.open('test5.png')
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 = test_img.reshape(1, num_pixels)
# распознавание
result = model.predict(test_img)
print('I think it\'s ', np.argmax(result))
```

![I think it`s 5](Рисунок13.png)

I think it`s  5

![I think it`s 3](Рисунок15.png)

I think it`s  3

## 14) Каждому члену бригады создать копию собственного изображения, отличающуюся от оригинала поворотом на 90 градусов в любую сторону. Сохранить изображения. Загрузить, предобработать и подать на вход обученной нейронной сети измененные изображения. Вывести изображения и результаты распознавания. Сделать выводы по результатам эксперимента.

```py
from PIL import Image
file_data = Image.open('test5per.png')
file_data = file_data.convert('L') # перевод в градации серого
test_img = np.array(file_data)
```

![I think it`s 8](Рисунок14.png)

I think it`s  8

![I think it`s 4](Рисунок16.png)

I think it`s  4

### Вывод: первую пару изображений нейросеть смогла правильно распознать, однако их перевёрнутые версии - нет. Это связано с тем, что на вход этой нейросети мы не подавали повёрнутые числа.