MachulinaDV
/
is_dnn
форкнуто от main/is_dnn
1
0
Форкнуть 0
Код Задачи Запросы на слияние Пакеты Проекты Релизы Вики Активность

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

Просмотр исходного кода
main
MachulinaDV 4 недель назад
Родитель da9ddcf752
Сommit e4b8e70586
1 изменённых файлов: 9 добавлений и 9 удалений
Показать статистику Скачать Patch файл Скачать Diff файл

18
labworks/LW3/Report.md
Unescape Просмотреть файл

@ -192,7 +192,7 @@ print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result)) print('NN answer: ', np.argmax(result))
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/333.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/333.png)
Real mark: 3 Real mark: 3
@ -209,7 +209,7 @@ print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result)) print('NN answer: ', np.argmax(result))
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/222.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/222.png)
Real mark: 2 Real mark: 2
@ -345,7 +345,7 @@ plt.show()
</table> </table>
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/tab1.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/tab1.png)
--- ---
### 9. Загрузка, предобработка и подача собственных изображения ### 9. Загрузка, предобработка и подача собственных изображения
```python ```python
@ -367,7 +367,7 @@ test_img = np.reshape(test_img, (1,28,28,1))
result = model.predict(test_img) result = model.predict(test_img)
print('I think it\'s ', np.argmax(result)) print('I think it\'s ', np.argmax(result))
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/777.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/777.png)
I think it's 7 I think it's 7
@ -387,7 +387,7 @@ test_img = np.reshape(test_img, (1,28,28,1))
result = model.predict(test_img) result = model.predict(test_img)
print('I think it\'s ', np.argmax(result)) print('I think it\'s ', np.argmax(result))
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/333.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/333.png)
I think it's 5 I think it's 5
@ -554,7 +554,7 @@ for i in range(25):
plt.xlabel(class_names[y_train[i][0]]) plt.xlabel(class_names[y_train[i][0]])
plt.show() plt.show()
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pics.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/pics.png)
### 4. Предобработка данных ### 4. Предобработка данных
```python ```python
@ -732,13 +732,13 @@ for n in [5,17]:
print('Real mark: ', np.argmax(y_test[n])) print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result)) print('NN answer: ', np.argmax(result))
``` ```
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pic1.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/pic1.png)
Real mark: 0 Real mark: 0
NN answer: 2 NN answer: 2
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/pic2.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/pic2.png)
Real mark: 5 Real mark: 5
@ -875,6 +875,6 @@ plt.show()
</tbody> </tbody>
</table> </table>
![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW2/tab2.png) ![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW3/tab2.png)
**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) **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)
Редактирование Предпросмотр
Загрузка…
Отмена
Сохранить