@ -192,7 +192,7 @@ print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result))
```
Real mark: 3
@ -209,7 +209,7 @@ print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result))
```
Real mark: 2
@ -345,7 +345,7 @@ plt.show()
< / table >
---
### 9. Загрузка, предобработка и подача собственных изображения
```python
@ -367,7 +367,7 @@ test_img = np.reshape(test_img, (1,28,28,1))
result = model.predict(test_img)
print('I think it\'s ', np.argmax(result))
```
I think it's 7
@ -387,7 +387,7 @@ test_img = np.reshape(test_img, (1,28,28,1))
result = model.predict(test_img)
print('I think it\'s ', np.argmax(result))
```
I think it's 5
@ -554,7 +554,7 @@ for i in range(25):
plt.xlabel(class_names[y_train[i][0]])
plt.show()
```
### 4. Предобработка данных
```python
@ -732,13 +732,13 @@ for n in [5,17]:
print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result))
```
Real mark: 0
NN answer: 2
Real mark: 5
@ -875,6 +875,6 @@ plt.show()
< / tbody >
< / table >
**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)
