Добавлены последние пункты и изображения

labworks/LW1/report.md

@@ -49,7 +49,7 @@ y = np.concatenate((y_train, y_test))
 X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                     test_size = 10000,
                                                     train_size = 60000,
-                                                    random_state = 123)
+                                                    random_state = 31)
 ```
 
 Выведем размерности.
@@ -82,10 +82,10 @@ for i in range(4):
 
 **Вывод:**
 ```bash
-![`5`](image.png)
-![`1`](image-1.png)
-![`0`](image-2.png)
-![`0`](image-3.png)
+![5](train_4_5.png)
+![1](train_4_1.png)
+![0](train_4_0.1.png)
+![0](train_4_0.2.png)
 ```
 
 
@@ -193,9 +193,9 @@ plt.show()
 ```
 
 **Вывод:**
-```bash
-![График ошибки по эпохам](image-4.png)
-```
+
+![График ошибки по эпохам](plot_0_hidden_layer.png)
+
 
 
 ## 7. Оценка работы модели на тестовых данных
@@ -214,15 +214,15 @@ Accuracy on test data: 0.9185000061988831
 ```
 
 
-## 8. Обучение и тестирование модели с одним скрытым слоем 
+## 8. Обучение и тестирование модели с одним скрытым слоем
 
-Проведем тестирование модели при 100, 300, 500 нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое будем использовать функцию sigmoid. 
+Проведем тестирование модели при 100, 300, 500 нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое будем использовать функцию sigmoid.
 
 По метрике качества классификации выберем наилучшее количество нейронов в скрытом слое.
 
 1. Модель со 100 нейронами в скрытом слое
 
-![График ошибки по эпохам со 100 нейронами в скрытом слое](image-5.png)
+![График ошибки по эпохам со 100 нейронами в скрытом слое](plot_1_hidden_layer_100.png)
 
 ```bash
 Loss on test data: 0.20470060408115387
@@ -231,7 +231,7 @@ Accuracy on test data: 0.9412999749183655
 
 2. Модель с 300 нейронами в скрытом слое
 
-![График ошибки по эпохам с 300 нейронами в скрытом слое](image-6.png)
+![График ошибки по эпохам с 300 нейронами в скрытом слое](plot_1_hidden_layer_300.jpg)
 
 ```bash
 Loss on test data: 0.23246125876903534
@@ -240,7 +240,7 @@ Accuracy on test data: 0.9337999820709229
 
 3. Модель с 500 нейронами в скрытом слое
 
-![График ошибки по эпохам с 500 нейронами в скрытом слое](image-7.png)
+![График ошибки по эпохам с 500 нейронами в скрытом слое](plot_1_hidden_layer_500.jpg)
 
 ```bash
 Loss on test data: 0.24853046238422394
@@ -256,7 +256,7 @@ Accuracy on test data: 0.9283999800682068
 
 1. Модель с 50 нейронами в скрытом слое
 
-![График ошибки по эпохам с 50 нейронами в скрытом слое](image-8.png)
+![График ошибки по эпохам с 50 нейронами в скрытом слое](plot_2_hidden_layer_50.jpg)
 
 ```bash
 Loss on test data: 0.19981178641319275
@@ -265,7 +265,7 @@ Accuracy on test data: 0.9387000203132629
 
 2. Модель со 100 нейронами в скрытом слое
 
-![График ошибки по эпохам со 100 нейронами в скрытом слое](image-9.png)
+![График ошибки по эпохам со 100 нейронами в скрытом слое](plot_2_hidden_layer_100.jpg)
 
 ```bash
 Loss on test data: 0.19404223561286926
@@ -288,11 +288,11 @@ Accuracy on test data: 0.9413999915122986
 ├─────────────────────────────────┼───────────────────────┼─────────────────────┤
 │ 2 (100, 50 нейронов)           │ 0.19981178641319275   │ 0.9387000203132629  │
 ├─────────────────────────────────┼───────────────────────┼─────────────────────┤
-│ 2 (100, 100 нейронов)          │ 0.19404223561286926   │ 0.9413999915122986  │
+│ 2 (100, 100 нейронов)          │ 0.19404223561286926   │ **0.9413999915122986**  │
 └─────────────────────────────────┴───────────────────────┴───────────────────────┘
 ```
 
-По результатам исследования мы видим, что наилучшие результаты достигаются при архитектуре при 100 нейронах на каждом скрытом слое. 
+По результатам исследования мы видим, что наилучшие результаты достигаются при архитектуре при 100 нейронах на каждом скрытом слое.
 
 ## 11. Сохранение наилучшей модели на диск
 
@@ -301,3 +301,85 @@ filepath='/content/drive/MyDrive/Colab Notebooks/best_model.keras'
 model_2_100.save(filepath)
 ```
 
+## 12. Вывод тестовых изображений
+
+```py
+n = 31
+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)))
+```
+
+**Вывод:**
+
+```bash
+NN output: [[4.3196760e-06 1.3248758e-04 9.4383031e-02 2.8113697e-03 2.2433515e-04 4.0835417e-05 5.3229469e-05 8.9428437e-01 3.7515254e-04 7.6909573e-03]]
+```
+
+
+![alt text](test_12_7.png)
+
+```bash
+Real mark:  7
+NN answer:  7
+```
+
+
+## 13. Тестирование модели на собственных изображениях цифр
+
+1. Создадим собственные изображения рукописных цифр "1" и "0"
+
+![alt text](created_0.png)
+
+![alt text](created_1.png)
+
+2. Загрузим, предобработаем и подадим на вход обученной нейросети собственные изображения
+
+```py
+# 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))
+```
+
+**Вывод:**
+
+![alt text](result_0.png)
+
+```bash
+I think it's  0
+```
+
+![alt text](result_1.png)
+
+```bash
+I think it's  1
+```
+
+
+## 14. Тестирование модели на собственных изображениях цифр, повернутых на 90 градусов
+
+**Результат тестирования:**
+
+
+![alt text](result_0_90.png)
+
+```bash
+I think it's  0
+```
+
+![alt text](result_1_90.png)
+
+```bash
+I think it's  4
+```
+
+*Таким образом, нейросеть смогла определить 0 из-за простой и неизменной формы при повороте, однако подав на вход перевернутую 1, нейросеть не смогла корренто определить цифру.*