Изменил(а) на 'labworks/LW3/Report.md'

labworks/LW3/Report.md

@@ -52,8 +52,11 @@ 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,)
 
 ---
@@ -68,9 +71,7 @@ input_shape = (28, 28, 1)
 X_train = X_train / 255
 X_test = X_test / 255
 
-# Расширяем размерность входных данных, чтобы каждое изображение имело
+# Расширяем размерность входных данных, чтобы каждое изображение имело размерность (высота, ширина, количество каналов)
-# 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)
@@ -83,8 +84,12 @@ 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)
+
+hape of transformed X test: (10000, 28, 28, 1)
+
 Shape of transformed y train: (60000, 10)
+
+
 Shape of transformed y test: (10000, 10)
 
 ---
@@ -150,7 +155,9 @@ model.summary()
 </table>
 
 Total params: 34,826 (136.04 KB)
+
 Trainable params: 34,826 (136.04 KB)
+
 Non-trainable params: 0 (0.00 B)
 
 ```python
@@ -169,6 +176,7 @@ print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
 Loss on test data: 0.04353996366262436
+
 Accuracy on test data: 0.9876000285148621
 
 ---
@@ -184,9 +192,10 @@ print('Real mark: ', np.argmax(y_test[n]))
 print('NN answer: ', np.argmax(result))
 ```
 
-![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/AE1_train_def.png)
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/333.png)
 
 Real mark:  3
+
 NN answer:  3
 
 ```python
@@ -200,9 +209,10 @@ print('Real mark: ', np.argmax(y_test[n]))
 print('NN answer: ', np.argmax(result))
 ```
 
-![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/AE2_train_def.png)
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/222.png)
 
 Real mark:  2
+
 NN answer:  2
 
 ---
@@ -210,12 +220,16 @@ NN answer:  2
 ```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()
@@ -331,7 +345,7 @@ plt.show()
 </table>
 
 
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/tab1.png)
 ---
 ### 9. Загрузка, предобработка и подача собственных изображения
 ```python
@@ -340,17 +354,22 @@ from PIL import Image
 file_data = Image.open('7.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 = np.reshape(test_img, (1,28,28,1))
+
 # распознавание
 result = model.predict(test_img)
 print('I think it\'s ', np.argmax(result))
 ```
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/777.png)
+
+I think it's 7
 
 ```python
 # загрузка собственного изображения
@@ -368,8 +387,11 @@ test_img = np.reshape(test_img, (1,28,28,1))
 result = model.predict(test_img)
 print('I think it\'s ', np.argmax(result))
 ```
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/333.png)
+
+I think it's 5
 
+---
 ### 10. Загрузка модели из ЛР1. Оценка качества
 ```python
 model = keras.models.load_model("best_model.keras")
@@ -433,6 +455,7 @@ print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
 Loss on test data: 0.37091827392578125
+
 Accuracy on test data: 0.9013000130653381
 
 ---
@@ -462,7 +485,7 @@ Accuracy on test data: 0.9013000130653381
     </tbody>
 </table>
 
-Вывод:
+Вывод: В ходе лабораторной работы были получены результаты, представленные в таблице. Исходя из них можно сделать вывод, что свёрточная нейронная сеть подходит для задачи распознавания изображений гораздо лучше, чем полносвязная. Для качества классификации 0,9876 понадобилось всего 15 эпох обучения и 35 настраиваемых параметров сети против качества в  0,9013, 100 эпох и 239 параметров для полносвязной сети.
 
 
 ## Задание 2
@@ -494,7 +517,6 @@ from keras.datasets import cifar10
 # 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))
@@ -511,8 +533,11 @@ 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)
 
 ### 3. Вывод изображений с подписями классов
@@ -529,7 +554,7 @@ for i in range(25):
  plt.xlabel(class_names[y_train[i][0]])
 plt.show()
 ```
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pics.png)
 
 ### 4. Предобработка данных
 ```python
@@ -695,6 +720,7 @@ print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
 
+---
 ### 7. Подача на вход обученной модели тестовых изображений
 ```python
 for n in [5,17]:
@@ -706,25 +732,33 @@ for n in [5,17]:
   print('Real mark: ', np.argmax(y_test[n]))
   print('NN answer: ', np.argmax(result))
 ```
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pic1.png)
+
 Real mark:  0
+
 NN answer:  2
 
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pic2.png)
+
 Real mark:  5
+
 NN answer:  5
 
+---
 ### 8. Вывод отчёта о качестве классификации тестовой выборки и матрицы 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)
@@ -841,6 +875,6 @@ plt.show()
     </tbody>
 </table>
 
-![]()
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/tab2.png)
 
-Вывод: 
+**Вывод**: Заметим, что модель НС, предназначенная для датасета CIFAR-10 неплохо справилась со своей задачей - точность распознавания составила 81%. Однако, несмотря на более сложную структуру модели, точность распознавания оказалась ниже, чем у модели, предназначенной для набора данных MNIST. Это может быть связано с типом классифицируемых данных - распознавать цветные изображения гораздо сложнее, чем чёрно-белые цифры. Для того, чтобы повысить точность распознавания картинок можно и нужно усложнить структуру НС, а именно увеличить количество слоёв и эпох, а также количество примеров (в нашем случае их было 50000)