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 = 31)
+                                                    random_state = 123)
 ```
 
 Выведем размерности.
@@ -82,10 +82,10 @@ for i in range(4):
 
 **Вывод:**
 ```bash
-![5](train_4_5.png)
+![`5`](image.png)
-![1](train_4_1.png)
+![`1`](image-1.png)
-![0](train_4_0.1.png)
+![`0`](image-2.png)
-![0](train_4_0.2.png)
+![`0`](image-3.png)
 ```
 
 
@@ -193,9 +193,9 @@ plt.show()
 ```
 
 **Вывод:**
-
+```bash
-![График ошибки по эпохам](plot_0_hidden_layer.png)
+![График ошибки по эпохам](image-4.png)
-
+```
 
 
 ## 7. Оценка работы модели на тестовых данных
@@ -222,7 +222,7 @@ Accuracy on test data: 0.9185000061988831
 
 1. Модель со 100 нейронами в скрытом слое
 
-![График ошибки по эпохам со 100 нейронами в скрытом слое](plot_1_hidden_layer_100.png)
+![График ошибки по эпохам со 100 нейронами в скрытом слое](image-5.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](plot_1_hidden_layer_300.jpg)
+![График ошибки по эпохам с 300 нейронами в скрытом слое](image-6.png)
 
 ```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](plot_1_hidden_layer_500.jpg)
+![График ошибки по эпохам с 500 нейронами в скрытом слое](image-7.png)
 
 ```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](plot_2_hidden_layer_50.jpg)
+![График ошибки по эпохам с 50 нейронами в скрытом слое](image-8.png)
 
 ```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](plot_2_hidden_layer_100.jpg)
+![График ошибки по эпохам со 100 нейронами в скрытом слое](image-9.png)
 
 ```bash
 Loss on test data: 0.19404223561286926
@@ -288,7 +288,7 @@ 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  │
 └─────────────────────────────────┴───────────────────────┴───────────────────────┘
 ```
 
@@ -301,85 +301,3 @@ 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.*