форкнуто от main/is_dnn
Родитель
0e66defae5
Сommit
2c0e0aacb6
@ -1,322 +1,325 @@
|
|||||||
# Отчет по лабораторной работе 1
|
# Отчет по лабораторной работе 1
|
||||||
## Ледовской Михаил, Железнов Артем, Щипков Матвей
|
## Ледовской Михаил, Железнов Артем, Щипков Матвей
|
||||||
## Группа А-02-22
|
## Группа А-02-22
|
||||||
### Пункт 1
|
### Пункт 1
|
||||||
|
|
||||||
В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
|
В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
|
||||||
from google.colab import drive
|
from google.colab import drive
|
||||||
drive.mount('/content/drive')
|
drive.mount('/content/drive')
|
||||||
import os
|
import os
|
||||||
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
||||||
from tensorflow import keras
|
from tensorflow import keras
|
||||||
import matplotlib.pyplot as plt
|
import matplotlib.pyplot as plt
|
||||||
import numpy as np
|
import numpy as np
|
||||||
import sklearn
|
import sklearn
|
||||||
### Пункт 2
|
### Пункт 2
|
||||||
Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
|
Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
|
||||||
from keras.datasets import mnist
|
from keras.datasets import mnist
|
||||||
### Пункт 3
|
### Пункт 3
|
||||||
Разбили набор данных на обучающие и тестовые данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали 11.
|
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.
|
Вывели размерности полученных обучающих и тестовых массивов данных.
|
||||||
(X_train,y_train),(X_test,y_test)=mnist.load_data()
|
(X_train,y_train),(X_test,y_test)=mnist.load_data()
|
||||||
from sklearn.model_selection import train_test_split
|
from sklearn.model_selection import train_test_split
|
||||||
#объединяем в один набор
|
#объединяем в один набор
|
||||||
X=np.concatenate((X_train,X_test))
|
X=np.concatenate((X_train,X_test))
|
||||||
y=np.concatenate((y_train,y_test))
|
y=np.concatenate((y_train,y_test))
|
||||||
#разбиваем по вариантам
|
#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)
|
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=10000,train_size=60000,random_state=20)
|
||||||
#вывод размерностей
|
#вывод размерностей
|
||||||
print('Shape of X train:',X_train.shape)
|
print('Shape of X train:',X_train.shape)
|
||||||
print('Shape of y train:',y_train.shape)
|
print('Shape of y train:',y_train.shape)
|
||||||
### Пункт 4
|
### Пункт 4
|
||||||
Вывели первые 4 элемента обучающих данных
|
Вывели первые 4 элемента обучающих данных
|
||||||
#вывод изображения
|
#вывод изображения
|
||||||
plt.imshow(X_train[1],cmap=plt.get_cmap('gray'))
|
plt.imshow(X_train[1],cmap=plt.get_cmap('gray'))
|
||||||
plt.show()
|
plt.show()
|
||||||
print(y_train[1])
|
print(y_train[1])
|
||||||
|
|
||||||
plt.imshow(X_train[2],cmap=plt.get_cmap('gray'))
|
plt.imshow(X_train[2],cmap=plt.get_cmap('gray'))
|
||||||
plt.show()
|
plt.show()
|
||||||
print(y_train[2])
|
print(y_train[2])
|
||||||
|
|
||||||
plt.imshow(X_train[3],cmap=plt.get_cmap('gray'))
|
plt.imshow(X_train[3],cmap=plt.get_cmap('gray'))
|
||||||
plt.show()
|
plt.show()
|
||||||
print(y_train[3])
|
print(y_train[3])
|
||||||
|
|
||||||
plt.imshow(X_train[4],cmap=plt.get_cmap('gray'))
|
plt.imshow(X_train[4],cmap=plt.get_cmap('gray'))
|
||||||
plt.show()
|
plt.show()
|
||||||
print(y_train[4])
|
print(y_train[4])
|
||||||
|
|
||||||
### Пункт 5
|
### Пункт 5
|
||||||
Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения нейронной сети.
|
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.
|
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
|
#развернем каждое изображение 28*28 в вектор 784
|
||||||
num_pixels=X_train.shape[1]*X_train.shape[2]
|
num_pixels=X_train.shape[1]*X_train.shape[2]
|
||||||
X_train=X_train.reshape(X_train.shape[0],num_pixels) / 255
|
X_train=X_train.reshape(X_train.shape[0],num_pixels) / 255
|
||||||
X_test=X_test.reshape(X_test.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)
|
print('Shape of transformed X train:',X_train.shape)
|
||||||
|
|
||||||
#переведем метки в one-hot
|
#переведем метки в one-hot
|
||||||
import keras.utils
|
import keras.utils
|
||||||
y_train=keras.utils.to_categorical(y_train)
|
y_train=keras.utils.to_categorical(y_train)
|
||||||
y_test=keras.utils.to_categorical(y_test)
|
y_test=keras.utils.to_categorical(y_test)
|
||||||
print('Shape of transformed y train:',y_train.shape)
|
print('Shape of transformed y train:',y_train.shape)
|
||||||
num_classes=y_train.shape[1]
|
num_classes=y_train.shape[1]
|
||||||
|
|
||||||
### Пункт 6
|
### 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.
|
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.models import Sequential
|
||||||
from keras.layers import Dense
|
from keras.layers import Dense
|
||||||
|
|
||||||
model_1 = Sequential()
|
model_1 = Sequential()
|
||||||
model_1.add(Dense(units=num_classes, input_dim=num_pixels, activation='softmax'))
|
model_1.add(Dense(units=num_classes, input_dim=num_pixels, activation='softmax'))
|
||||||
model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
print(model_1.summary())
|
print(model_1.summary())
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H = model_1.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H = model_1.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H.history['loss'])
|
plt.plot(H.history['loss'])
|
||||||
plt.plot(H.history['val_loss'])
|
plt.plot(H.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
### Пункт 7
|
### Пункт 7
|
||||||
Применили обученную модель к тестовым данным. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
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
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1.evaluate(X_test, y_test)
|
scores = model_1.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
### Пункт 8
|
### 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.
|
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
|
При 100 нейронах
|
||||||
# создаем модель
|
# создаем модель
|
||||||
model_1h100 = Sequential()
|
model_1h100 = Sequential()
|
||||||
model_1h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
model_1h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
||||||
model_1h100.add(Dense(units=num_classes, activation='softmax'))
|
model_1h100.add(Dense(units=num_classes, activation='softmax'))
|
||||||
# компилируем модель
|
# компилируем модель
|
||||||
model_1h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
|
|
||||||
# вывод информации об архитектуре модели
|
# вывод информации об архитектуре модели
|
||||||
print(model_1h100.summary())
|
print(model_1h100.summary())
|
||||||
|
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H_1h100 = model_1h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H_1h100 = model_1h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
|
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H_1h100.history['loss'])
|
plt.plot(H_1h100.history['loss'])
|
||||||
plt.plot(H_1h100.history['val_loss'])
|
plt.plot(H_1h100.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
|
|
||||||
# Оценка качества работы модели на тестовых данных
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1h100.evaluate(X_test, y_test)
|
scores = model_1h100.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
При 300 нейронах
|
При 300 нейронах
|
||||||
# создаем модель
|
# создаем модель
|
||||||
model_1h300 = Sequential()
|
model_1h300 = Sequential()
|
||||||
model_1h300.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
|
model_1h300.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
|
||||||
model_1h300.add(Dense(units=num_classes, activation='softmax'))
|
model_1h300.add(Dense(units=num_classes, activation='softmax'))
|
||||||
# компилируем модель
|
# компилируем модель
|
||||||
model_1h300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1h300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
|
|
||||||
# вывод информации об архитектуре модели
|
# вывод информации об архитектуре модели
|
||||||
print(model_1h300.summary())
|
print(model_1h300.summary())
|
||||||
|
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H_1h300 = model_1h300.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H_1h300 = model_1h300.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
|
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H_1h300.history['loss'])
|
plt.plot(H_1h300.history['loss'])
|
||||||
plt.plot(H_1h300.history['val_loss'])
|
plt.plot(H_1h300.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
|
|
||||||
# Оценка качества работы модели на тестовых данных
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1h300.evaluate(X_test, y_test)
|
scores = model_1h300.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
При 500 нейронах
|
При 500 нейронах
|
||||||
# создаем модель
|
# создаем модель
|
||||||
model_1h500 = Sequential()
|
model_1h500 = Sequential()
|
||||||
model_1h500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
|
model_1h500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
|
||||||
model_1h500.add(Dense(units=num_classes, activation='softmax'))
|
model_1h500.add(Dense(units=num_classes, activation='softmax'))
|
||||||
# компилируем модель
|
# компилируем модель
|
||||||
model_1h500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1h500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
|
|
||||||
# вывод информации об архитектуре модели
|
# вывод информации об архитектуре модели
|
||||||
print(model_1h500.summary())
|
print(model_1h500.summary())
|
||||||
|
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H_1h500 = model_1h500.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H_1h500 = model_1h500.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
|
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H_1h500.history['loss'])
|
plt.plot(H_1h500.history['loss'])
|
||||||
plt.plot(H_1h500.history['val_loss'])
|
plt.plot(H_1h500.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
|
|
||||||
# Оценка качества работы модели на тестовых данных
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1h500.evaluate(X_test, y_test)
|
scores = model_1h500.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
Наилучшую метрику наблюдаем при архитектуре со 100 нейронами в скрытом слое.
|
Наилучшую метрику наблюдаем при архитектуре со 100 нейронами в скрытом слое.
|
||||||
### Пункт 9
|
### 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.
|
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
|
При 50 нейронах
|
||||||
# создаем модель
|
# создаем модель
|
||||||
model_1h100_2h50 = Sequential()
|
model_1h100_2h50 = Sequential()
|
||||||
model_1h100_2h50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
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=50, activation='sigmoid'))
|
||||||
model_1h100_2h50.add(Dense(units=num_classes, activation='softmax'))
|
model_1h100_2h50.add(Dense(units=num_classes, activation='softmax'))
|
||||||
# компилируем модель
|
# компилируем модель
|
||||||
model_1h100_2h50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1h100_2h50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
|
|
||||||
# вывод информации об архитектуре модели
|
# вывод информации об архитектуре модели
|
||||||
print(model_1h100_2h50.summary())
|
print(model_1h100_2h50.summary())
|
||||||
|
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H_1h100_2h50 = model_1h100_2h50.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H_1h100_2h50 = model_1h100_2h50.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
|
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H_1h100_2h50.history['loss'])
|
plt.plot(H_1h100_2h50.history['loss'])
|
||||||
plt.plot(H_1h100_2h50.history['val_loss'])
|
plt.plot(H_1h100_2h50.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
|
|
||||||
# Оценка качества работы модели на тестовых данных
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1h100_2h50.evaluate(X_test, y_test)
|
scores = model_1h100_2h50.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
При 100 нейронах
|
При 100 нейронах
|
||||||
# создаем модель
|
# создаем модель
|
||||||
model_1h100_2h100 = Sequential()
|
model_1h100_2h100 = Sequential()
|
||||||
model_1h100_2h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
|
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=100, activation='sigmoid'))
|
||||||
model_1h100_2h100.add(Dense(units=num_classes, activation='softmax'))
|
model_1h100_2h100.add(Dense(units=num_classes, activation='softmax'))
|
||||||
# компилируем модель
|
# компилируем модель
|
||||||
model_1h100_2h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
model_1h100_2h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||||
|
|
||||||
# вывод информации об архитектуре модели
|
# вывод информации об архитектуре модели
|
||||||
print(model_1h100_2h100.summary())
|
print(model_1h100_2h100.summary())
|
||||||
|
|
||||||
# Обучаем модель
|
# Обучаем модель
|
||||||
H_1h100_2h100 = model_1h100_2h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
H_1h100_2h100 = model_1h100_2h100.fit(X_train, y_train, validation_split=0.1, epochs=50)
|
||||||
|
|
||||||
# вывод графика ошибки по эпохам
|
# вывод графика ошибки по эпохам
|
||||||
plt.plot(H_1h100_2h100.history['loss'])
|
plt.plot(H_1h100_2h100.history['loss'])
|
||||||
plt.plot(H_1h100_2h100.history['val_loss'])
|
plt.plot(H_1h100_2h100.history['val_loss'])
|
||||||
plt.grid()
|
plt.grid()
|
||||||
plt.xlabel('Epochs')
|
plt.xlabel('Epochs')
|
||||||
plt.ylabel('loss')
|
plt.ylabel('loss')
|
||||||
plt.legend(['train_loss', 'val_loss'])
|
plt.legend(['train_loss', 'val_loss'])
|
||||||
plt.title('Loss by epochs')
|
plt.title('Loss by epochs')
|
||||||
plt.show()
|
plt.show()
|
||||||
|
|
||||||
# Оценка качества работы модели на тестовых данных
|
# Оценка качества работы модели на тестовых данных
|
||||||
scores = model_1h100_2h100.evaluate(X_test, y_test)
|
scores = model_1h100_2h100.evaluate(X_test, y_test)
|
||||||
print('Loss on test data:', scores[0])
|
print('Loss on test data:', scores[0])
|
||||||
print('Accuracy on test data:', scores[1])
|
print('Accuracy on test data:', scores[1])
|
||||||
|
|
||||||
### Пункт 10
|
### Пункт 10
|
||||||
Результаты исследования архитектуры нейронной сети занесли в таблицу
|
Результаты исследования архитектуры нейронной сети занесли в таблицу
|
||||||
### Таблица с результатами тестирования нейросетевых моделей
|
### 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 |
|
| Количество скрытых слоёв | Количество нейронов в первом скрытом слое | Количество нейронов во втором скрытом слое | Значение метрики качества классификации |
|
||||||
|---------------------------|-------------------------------------------|--------------------------------------------|-----------------------------------------|
|
|---------------------------|-------------------------------------------|--------------------------------------------|-----------------------------------------|
|
||||||
| 0 | - | - | 0.9199000000953674 |
|
| 0 | - | - | 0.9199000000953674 |
|
||||||
| 1 | 100 | - | 0.9398000240325928 |
|
| 1 | 100 | - | 0.9398000240325928 |
|
||||||
| | 300 | - | 0.9320999979972839 |
|
| | 300 | - | 0.9320999979972839 |
|
||||||
| | 500 | - | 0.9291999936103821 |
|
| | 500 | - | 0.9291999936103821 |
|
||||||
| 2 | 100 | 50 | 0.9409000277519226 |
|
| 2 | 100 | 50 | 0.9409000277519226 |
|
||||||
| | 100 | 100 | 0.9416999816894531 |
|
| | 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
|
|
||||||
|
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).
|
||||||
model_1h100_2h100.save('best_model.keras')
|
### Пункт 11
|
||||||
### Пункт 12
|
Сохранили наилучшую нейронную сеть на диск
|
||||||
Вывели результаты тестирования модели
|
|
||||||
# вывод тестового изображения и результата распознавания 1
|
model_1h100_2h100.save('best_model.keras')
|
||||||
n = 123
|
### Пункт 12
|
||||||
result = model_1h100_2h100.predict(X_test[n:n+1])
|
Вывели результаты тестирования модели
|
||||||
print('NN output:', result)
|
# вывод тестового изображения и результата распознавания 1
|
||||||
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
n = 123
|
||||||
plt.show()
|
result = model_1h100_2h100.predict(X_test[n:n+1])
|
||||||
print('Real mark: ', str(np.argmax(y_test[n])))
|
print('NN output:', result)
|
||||||
print('NN answer: ', str(np.argmax(result)))
|
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
||||||
|
plt.show()
|
||||||
### Пункт 13
|
print('Real mark: ', str(np.argmax(y_test[n])))
|
||||||
Создали собственные изображения чисел
|
print('NN answer: ', str(np.argmax(result)))
|
||||||
# загрузка собственного изображения
|
|
||||||
from PIL import Image
|
### Пункт 13
|
||||||
file_data = Image.open('five_v3.png')
|
Создали собственные изображения чисел
|
||||||
file_data = file_data.convert('L') # перевод в градации серого
|
# загрузка собственного изображения
|
||||||
test_img = np.array(file_data)
|
from PIL import Image
|
||||||
|
file_data = Image.open('five_v3.png')
|
||||||
# вывод собственного изображения
|
file_data = file_data.convert('L') # перевод в градации серого
|
||||||
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
test_img = np.array(file_data)
|
||||||
plt.show()
|
|
||||||
|
# вывод собственного изображения
|
||||||
# предобработка
|
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
||||||
test_img = test_img / 255
|
plt.show()
|
||||||
test_img = test_img.reshape(1, num_pixels)
|
|
||||||
# распознавание
|
# предобработка
|
||||||
result = model_1h100_2h100.predict(test_img)
|
test_img = test_img / 255
|
||||||
print('I think it\'s ', np.argmax(result))
|
test_img = test_img.reshape(1, num_pixels)
|
||||||
|
# распознавание
|
||||||
### Пункт 14
|
result = model_1h100_2h100.predict(test_img)
|
||||||
Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
|
print('I think it\'s ', np.argmax(result))
|
||||||
file_data = Image.open('three_v3_rotated.png')
|
|
||||||
file_data = file_data.convert('L') # перевод в градации серого
|
### Пункт 14
|
||||||
test_img = np.array(file_data)
|
Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
|
||||||
|
file_data = Image.open('three_v3_rotated.png')
|
||||||
# вывод собственного изображения
|
file_data = file_data.convert('L') # перевод в градации серого
|
||||||
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
test_img = np.array(file_data)
|
||||||
plt.show()
|
|
||||||
# предобработка
|
# вывод собственного изображения
|
||||||
test_img = test_img / 255
|
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
||||||
test_img = test_img.reshape(1, num_pixels)
|
plt.show()
|
||||||
# распознавание
|
# предобработка
|
||||||
result = model_1h100_2h100.predict(test_img)
|
test_img = test_img / 255
|
||||||
print('I think it\'s ', np.argmax(result))
|
test_img = test_img.reshape(1, num_pixels)
|
||||||
|
# распознавание
|
||||||
file_data = Image.open('five_v3_rotated.png')
|
result = model_1h100_2h100.predict(test_img)
|
||||||
file_data = file_data.convert('L') # перевод в градации серого
|
print('I think it\'s ', np.argmax(result))
|
||||||
test_img = np.array(file_data)
|
|
||||||
|
file_data = Image.open('five_v3_rotated.png')
|
||||||
# вывод собственного изображения
|
file_data = file_data.convert('L') # перевод в градации серого
|
||||||
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
test_img = np.array(file_data)
|
||||||
plt.show()
|
|
||||||
# предобработка
|
# вывод собственного изображения
|
||||||
test_img = test_img / 255
|
plt.imshow(test_img, cmap=plt.get_cmap('gray'))
|
||||||
test_img = test_img.reshape(1, num_pixels)
|
plt.show()
|
||||||
# распознавание
|
# предобработка
|
||||||
result = model_1h100_2h100.predict(test_img)
|
test_img = test_img / 255
|
||||||
print('I think it\'s ', np.argmax(result))
|
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.
|
Нейросеть некорректно определила повернутые изображения.
|
||||||
Загрузка…
Ссылка в новой задаче