Изменения в библиотекте для ЛР2:

- Добавлен callback для частичного отображения эпох
- Добавлены kwargs для частичного отображения эпох и ранней остановки по дельте и значению метрики
- Для EarlyStoppingCallback добавлена зависимость от verbose_show

README.md

@@ -6,17 +6,10 @@
 ## Лабораторные работы
 
 1. [Архитектура и обучение глубоких нейронных сетей](labworks/LW1)
-
+2. [Обнаружение аномалий](labworks/LW2)
 
 <!--
 
-### Лабораторная работа №2
-
-* [Задание](labworks/LW2/IS_Lab02_2023.pdf) 
-* [Методические указания](labworks/LW2/IS_Lab02_Metod_2023.pdf)
-* [Наборы данных](labworks/LW2/data)
-* [Библиотека для автокодировщиков](labworks/LW2/lab02_lib.py) 
-
 ### Лабораторная работа №3
 
 * [Задание](labworks/LW3/IS_Lab03_2023.pdf) 

labworks/LW1/otchet.md

@@ -1,223 +0,0 @@
-# Отчет по лабораторной работе 1
-## Ли Тэ Хо, Синявский Степан А-02-22
-## Бригада 3
-### Пункт 1
-В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
-```python
-from google.colab import drive
-drive.mount('/content/drive')
-import os
-os.chdir('/content/drive/MyDrive/Colab Notebooks')
-from tensorflow import keras
-import matplotlib.pyplot as plt
-import numpy as np
-import sklearn
-```
-### Пункт 2
-Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
-```python
-from keras.datasets import mnist
-```
-### Пункт 3
-Разбили набор данных на обучающие и тестовые данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали 11.
-Вывели размерности полученных обучающих и тестовых массивов данных.
-```python
-(X_train,y_train),(X_test,y_test)=mnist.load_data()
-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=11)
-#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,)
-
-### Пункт 4
-Вывели первые 4 элемента обучающих данных
-```python
-#вывод изображения
-plt.imshow(X_train[1],cmap=plt.get_cmap('gray'))
-plt.show()
-print(y_train[1])
-
-plt.imshow(X_train[2],cmap=plt.get_cmap('gray'))
-plt.show()
-print(y_train[2])
-
-plt.imshow(X_train[3],cmap=plt.get_cmap('gray'))
-plt.show()
-print(y_train[3])
-
-plt.imshow(X_train[4],cmap=plt.get_cmap('gray'))
-plt.show()
-print(y_train[4])
-```
-![photo](images/1.png)
-![photo](images/2.png)
-![photo](images/3.png)
-![photo](images/4.png)
-
-### Пункт 5
-Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения нейронной сети.
-Входные данные должны  принимать  значения  от  0  до  1, метки  цифрдолжны  быть закодированы  по  принципу  «one-hotencoding».Вывели  размерности предобработанных обучающих и тестовых массивов данных.
-```python
-#развернем каждое изображение 8*228 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)
-```python
-#переведем метки в one-hot
-import keras.utils
-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]
-```
-Shape of transformed y train: (60000, 10)
-
-### Пункт 6
-Реализовали  модель однослойной нейронной  сети  и  обучили  ее  на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели  информацию  об архитектуре нейронной  сети. Вывели график функции ошибки на обучающих и валидационных данных по эпохам.
-```python
-from keras.models import Sequential
-from keras.layers import Dense
-
-model_1 = Sequential()
-model_1.add(Dense(units=num_classes, input_dim=num_pixels, activation='softmax'))
-model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-# вывод информации об архитектуре модели
-print(model_1.summary())
-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)
-None
-
-# Обучаем модель
-H = model_1.fit(X_train, y_train, validation_split=0.1, epochs=50)
-
-# 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()
-```
-![photo](images/5.png)
-```python
-# Оценка качества работы модели на тестовых данных
-scores = model_1.evaluate(X_test, y_test)
-print('Loss on test data:', scores[0])
-print('Accuracy on test data:', scores[1])
-```
-313/313 ━━━━━━━━━━━━━━━━━━━━ 3s 8ms/step - accuracy: 0.9219 - loss: 0.2787
-Loss on test data: 0.2803967595100403
-Accuracy on test data: 0.9203000068664551
-
-### Таблица с результатами тестирования нейросетевых моделей
-
-| Количество скрытых слоёв | Количество нейронов в первом скрытом слое | Количество нейронов во втором скрытом слое | Значение метрики качества классификации |
-|---------------------------|-------------------------------------------|--------------------------------------------|-----------------------------------------|
-| 0                         | -                                         | -                                          |  0.9203000068664551                     |
-| 1                         | 100                                       | -                                          |  0.9416999816894531                     |
-|                           | 300                                       | -                                          |  0.9345999956130981                     |
-|                           | 500                                       | -                                          |  0.9279000163078308                     |
-| 2                         | (наилучшее из п.8)                        | 50                                         |  0.9402999877929688                     |
-|                           | (наилучшее из п.8)                        | 100                                        |  0.9420999884605408                     |
-
-По полученным результатам можно сказать, что лучшая архитектура НН это - с двумя скрытыми слоями, с 100 нейронами на первом скрытом слое, и со 100 на втором скрытом слое.
-
-### Пункт 11
-Сохранили  наилучшую  нейронную  сеть  на  диск.
-```python
-model_5.save('best_model.keras')
-```
-
-### Пункт 12
-Вывели результаты тестирования модели
-```python
-# вывод тестового изображения и результата распознавания 1
-n = 123
-result = model_5.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)))
-```
-![photo](images/6.png)
-
-Real mark:  0
-NN answer:  0
-
-### Пункт 13
-Создали собственные изображения чисел
-![photo](images/7.png)
-![photo](images/8.png)
-Сохранили их и подали на вход для распознования
-```python
-# загрузка собственного изображения
-from PIL import Image
-file_data = Image.open('5.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()
-```
-![photo](images/9.png)
-
-```python
-# предобработка
-test_img = test_img / 255
-test_img = test_img.reshape(1, num_pixels)
-# распознавание
-result = model_5.predict(test_img)
-print('I think it\'s ', np.argmax(result))
-```
-I think it's  5
-
-### Пункт 14
-Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
-![photo](images/10.png)
-![photo](images/11.png)
-
-```python
-file_data = Image.open('2_1.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_5.predict(test_img)
-print('I think it\'s ', np.argmax(result))
-```
-![photo](images/12.png)
-
-I think it's  4
-
-![photo](images/13.png)
-
-I think it's  7
-
-Нейросеть неправильно определила повернутые изображения цифр. Она не определяет саму цифру, для нее ориентация не имеет значения, 1 это вертикальная черта, а повернутая 1 это просто горизонтальная черта.

labworks/LW2/README.md

@@ -0,0 +1,4 @@
+* [Задание](IS_Lab02_2023.pdf) 
+* [Методические указания](IS_Lab02_Metod_2023.pdf)
+* [Наборы данных](data)
+* [Библиотека для автокодировщиков](lab02_lib.py) 

labworks/LW2/lab02_lib.py

@@ -29,12 +29,14 @@ from pandas import DataFrame
 from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix
 from tensorflow.keras.models import Sequential
 from tensorflow.keras.layers import Dense, Activation
+from tensorflow.keras.callbacks import Callback
 
 
 
 visual = True
 verbose_show = False
 
+
 # generate 2d classification dataset
 def datagen(x_c, y_c, n_samples, n_features):
 
@@ -91,8 +93,27 @@ class EarlyStoppingOnValue(tensorflow.keras.callbacks.Callback):
             )
         return monitor_value
 
+
+class VerboseEveryNEpochs(Callback):
+    def __init__(self, every_n_epochs=1000, verbose=1):
+        super().__init__()
+        self.every_n_epochs = every_n_epochs
+        self.verbose = verbose
+
+    def on_epoch_end(self, epoch, logs=None):
+        if (epoch + 1) % self.every_n_epochs == 0:
+            if self.verbose:
+                print(f"\nEpoch {epoch + 1}/{self.params['epochs']}")
+                if logs:
+                    log_str = ", ".join([f"{k}: {v:.4f}" for k, v in logs.items()])
+                    print(f" - {log_str}")
+
+
 #создание и обучение модели автокодировщика
-def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience):
+def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience, **kwargs):
+    verbose_every_n_epochs = kwargs.get('verbose_every_n_epochs', 1000)
+    early_stopping_delta = kwargs.get('early_stopping_delta', 0.01)
+    early_stopping_value = kwargs.get('early_stopping_value', 0.0001)
 
     size = cl_train.shape[1]
     #ans = '2'
@@ -140,22 +161,28 @@ def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience
 
     optimizer = tensorflow.keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)
     ae.compile(loss='mean_squared_error', optimizer=optimizer)
-    error_stop = 0.0001
     epo = epohs
 
-    early_stopping_callback_on_error = EarlyStoppingOnValue(monitor='loss', baseline=error_stop)
+
+    verbose = 1 if verbose_show else 0
+
+    early_stopping_callback_on_error = EarlyStoppingOnValue(monitor='loss', baseline=early_stopping_value)
     early_stopping_callback_on_improving = tensorflow.keras.callbacks.EarlyStopping(monitor='loss',
-                                                                                           min_delta=0.0001, patience = patience,
+                                                                                           min_delta=early_stopping_delta, patience = patience,
-                                                                                           verbose=1, mode='auto',
+                                                                                           verbose=verbose, mode='min',
                                                                                            baseline=None,
-                                                                                           restore_best_weights=False)
+                                                                                           restore_best_weights=True)
     history_callback = tensorflow.keras.callbacks.History()
-    verbose = 1 if verbose_show else 0
+
     history_object = ae.fit(cl_train, cl_train,
                                 batch_size=cl_train.shape[0],
                                 epochs=epo,
-                                callbacks=[early_stopping_callback_on_error, history_callback,
+                                callbacks=[
-                                early_stopping_callback_on_improving],
+                                  early_stopping_callback_on_error, 
+                                  history_callback,
+                                  early_stopping_callback_on_improving,
+                                  VerboseEveryNEpochs(every_n_epochs=verbose_every_n_epochs),
+                                ],
                                 verbose=verbose)
     ae_trainned = ae
     ae_pred = ae_trainned.predict(cl_train)