форкнуто от main/is_dnn
Родитель
0e66defae5
Сommit
2c0e0aacb6
@ -1,322 +1,325 @@
|
||||
# Отчет по лабораторной работе 1
|
||||
## Ледовской Михаил, Железнов Артем, Щипков Матвей
|
||||
## Группа А-02-22
|
||||
### Пункт 1
|
||||
|
||||
В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
|
||||
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.
|
||||
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.
|
||||
(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=20)
|
||||
#вывод размерностей
|
||||
print('Shape of X train:',X_train.shape)
|
||||
print('Shape of y train:',y_train.shape)
|
||||
### Пункт 4
|
||||
Вывели первые 4 элемента обучающих данных
|
||||
#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])
|
||||
|
||||
### 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.
|
||||
#развернем каждое изображение 28*28 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)
|
||||
|
||||
#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]
|
||||
|
||||
### 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.
|
||||
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'])
|
||||
print(model_1.summary())
|
||||
# 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()
|
||||
### Пункт 7
|
||||
Применили обученную модель к тестовым данным. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
||||
# 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])
|
||||
|
||||
### Пункт 8
|
||||
Добавили в модель один скрытый и провели обучение и тестирование при 100, 300, 500 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрали наилучшее количество нейронов в скрытом слое.
|
||||
При 100 нейронах
|
||||
# создаем модель
|
||||
model_1h100 = Sequential()
|
||||
model_1h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100 = model_1h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100.history['loss'])
|
||||
plt.plot(H_1h100.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 300 нейронах
|
||||
# создаем модель
|
||||
model_1h300 = Sequential()
|
||||
model_1h300.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h300.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h300.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h300 = model_1h300.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h300.history['loss'])
|
||||
plt.plot(H_1h300.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h300.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 500 нейронах
|
||||
# создаем модель
|
||||
model_1h500 = Sequential()
|
||||
model_1h500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h500.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h500.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h500 = model_1h500.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h500.history['loss'])
|
||||
plt.plot(H_1h500.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h500.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
Наилучшую метрику наблюдаем при архитектуре со 100 нейронами в скрытом слое.
|
||||
### Пункт 9
|
||||
Добавили в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провели обучение и тестирование при 50 и 100 нейронах во втором скрытом слое.
|
||||
При 50 нейронах
|
||||
# создаем модель
|
||||
model_1h100_2h50 = Sequential()
|
||||
model_1h100_2h50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100_2h50.add(Dense(units=50, activation='sigmoid'))
|
||||
model_1h100_2h50.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100_2h50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100_2h50.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100_2h50 = model_1h100_2h50.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100_2h50.history['loss'])
|
||||
plt.plot(H_1h100_2h50.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100_2h50.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 100 нейронах
|
||||
# создаем модель
|
||||
model_1h100_2h100 = Sequential()
|
||||
model_1h100_2h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100_2h100.add(Dense(units=100, activation='sigmoid'))
|
||||
model_1h100_2h100.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100_2h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100_2h100.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100_2h100 = model_1h100_2h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100_2h100.history['loss'])
|
||||
plt.plot(H_1h100_2h100.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100_2h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
### Пункт 10
|
||||
Результаты исследования архитектуры нейронной сети занесли в таблицу
|
||||
### 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 | - | - | 0.9199000000953674 |
|
||||
| 1 | 100 | - | 0.9398000240325928 |
|
||||
| | 300 | - | 0.9320999979972839 |
|
||||
| | 500 | - | 0.9291999936103821 |
|
||||
| 2 | 100 | 50 | 0.9409000277519226 |
|
||||
| | 100 | 100 | 0.9416999816894531 |
|
||||
Исходя из нашего исследования, можно сделать вывод о том, что наилучшая архитектра - это архитектура с двумя скрытыми слоями (100 нейронов на первом скрытом слое и 100 на втором).
|
||||
### Пункт 11
|
||||
Сохранили наилучшую нейронную сеть на диск
|
||||
|
||||
model_1h100_2h100.save('best_model.keras')
|
||||
### Пункт 12
|
||||
Вывели результаты тестирования модели
|
||||
# вывод тестового изображения и результата распознавания 1
|
||||
n = 123
|
||||
result = model_1h100_2h100.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)))
|
||||
|
||||
### Пункт 13
|
||||
Создали собственные изображения чисел
|
||||
# загрузка собственного изображения
|
||||
from PIL import Image
|
||||
file_data = Image.open('five_v3.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
### Пункт 14
|
||||
Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
|
||||
file_data = Image.open('three_v3_rotated.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
file_data = Image.open('five_v3_rotated.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
# Отчет по лабораторной работе 1
|
||||
## Ледовской Михаил, Железнов Артем, Щипков Матвей
|
||||
## Группа А-02-22
|
||||
### Пункт 1
|
||||
|
||||
В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
|
||||
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.
|
||||
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.
|
||||
(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=20)
|
||||
#вывод размерностей
|
||||
print('Shape of X train:',X_train.shape)
|
||||
print('Shape of y train:',y_train.shape)
|
||||
### Пункт 4
|
||||
Вывели первые 4 элемента обучающих данных
|
||||
#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])
|
||||
|
||||
### 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.
|
||||
#развернем каждое изображение 28*28 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)
|
||||
|
||||
#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]
|
||||
|
||||
### 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.
|
||||
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'])
|
||||
print(model_1.summary())
|
||||
# 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()
|
||||
### Пункт 7
|
||||
Применили обученную модель к тестовым данным. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
||||
# 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])
|
||||
|
||||
### Пункт 8
|
||||
Добавили в модель один скрытый и провели обучение и тестирование при 100, 300, 500 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрали наилучшее количество нейронов в скрытом слое.
|
||||
При 100 нейронах
|
||||
# создаем модель
|
||||
model_1h100 = Sequential()
|
||||
model_1h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100 = model_1h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100.history['loss'])
|
||||
plt.plot(H_1h100.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 300 нейронах
|
||||
# создаем модель
|
||||
model_1h300 = Sequential()
|
||||
model_1h300.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h300.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h300.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h300 = model_1h300.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h300.history['loss'])
|
||||
plt.plot(H_1h300.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h300.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 500 нейронах
|
||||
# создаем модель
|
||||
model_1h500 = Sequential()
|
||||
model_1h500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h500.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h500.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h500 = model_1h500.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h500.history['loss'])
|
||||
plt.plot(H_1h500.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h500.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
Наилучшую метрику наблюдаем при архитектуре со 100 нейронами в скрытом слое.
|
||||
### Пункт 9
|
||||
Добавили в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провели обучение и тестирование при 50 и 100 нейронах во втором скрытом слое.
|
||||
При 50 нейронах
|
||||
# создаем модель
|
||||
model_1h100_2h50 = Sequential()
|
||||
model_1h100_2h50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100_2h50.add(Dense(units=50, activation='sigmoid'))
|
||||
model_1h100_2h50.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100_2h50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100_2h50.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100_2h50 = model_1h100_2h50.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100_2h50.history['loss'])
|
||||
plt.plot(H_1h100_2h50.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100_2h50.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
При 100 нейронах
|
||||
# создаем модель
|
||||
model_1h100_2h100 = Sequential()
|
||||
model_1h100_2h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||
model_1h100_2h100.add(Dense(units=100, activation='sigmoid'))
|
||||
model_1h100_2h100.add(Dense(units=num_classes, activation='softmax'))
|
||||
# компилируем модель
|
||||
model_1h100_2h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
# вывод информации об архитектуре модели
|
||||
print(model_1h100_2h100.summary())
|
||||
|
||||
# Обучаем модель
|
||||
H_1h100_2h100 = model_1h100_2h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||
|
||||
# вывод графика ошибки по эпохам
|
||||
plt.plot(H_1h100_2h100.history['loss'])
|
||||
plt.plot(H_1h100_2h100.history['val_loss'])
|
||||
plt.grid()
|
||||
plt.xlabel('Epochs')
|
||||
plt.ylabel('loss')
|
||||
plt.legend(['train_loss', 'val_loss'])
|
||||
plt.title('Loss by epochs')
|
||||
plt.show()
|
||||
|
||||
# Оценка качества работы модели на тестовых данных
|
||||
scores = model_1h100_2h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
|
||||
### Пункт 10
|
||||
Результаты исследования архитектуры нейронной сети занесли в таблицу
|
||||
### 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 | - | - | 0.9199000000953674 |
|
||||
| 1 | 100 | - | 0.9398000240325928 |
|
||||
| | 300 | - | 0.9320999979972839 |
|
||||
| | 500 | - | 0.9291999936103821 |
|
||||
| 2 | 100 | 50 | 0.9409000277519226 |
|
||||
| | 100 | 100 | 0.9416999816894531 |
|
||||
|
||||
|
||||
|
||||
Исходя из нашего исследования, можно сделать вывод о том, что наилучшая архитектра - это архитектура с двумя скрытыми слоями (100 нейронов на первом скрытом слое и 100 на втором).
|
||||
### Пункт 11
|
||||
Сохранили наилучшую нейронную сеть на диск
|
||||
|
||||
model_1h100_2h100.save('best_model.keras')
|
||||
### Пункт 12
|
||||
Вывели результаты тестирования модели
|
||||
# вывод тестового изображения и результата распознавания 1
|
||||
n = 123
|
||||
result = model_1h100_2h100.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)))
|
||||
|
||||
### Пункт 13
|
||||
Создали собственные изображения чисел
|
||||
# загрузка собственного изображения
|
||||
from PIL import Image
|
||||
file_data = Image.open('five_v3.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
### Пункт 14
|
||||
Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
|
||||
file_data = Image.open('three_v3_rotated.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
file_data = Image.open('five_v3_rotated.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_1h100_2h100.predict(test_img)
|
||||
print('I think it\'s ', np.argmax(result))
|
||||
|
||||
Нейросеть некорректно определила повернутые изображения.
|
||||
Загрузка…
Ссылка в новой задаче