Изменил(а) на 'labworks/LW1/report.md'

labworks/LW1/report.md

@@ -16,11 +16,14 @@ import sklearn
 ```
 ### Пункт 2
 Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
+```python
 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.
+```python
 (X_train,y_train),(X_test,y_test)=mnist.load_data()
 from sklearn.model_selection import train_test_split
 #объединяем в один набор
@@ -49,10 +52,12 @@ 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.
+```python
 #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
@@ -65,9 +70,11 @@ 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.
+```python
 from keras.models import Sequential
 from keras.layers import Dense
 
@@ -86,16 +93,22 @@ 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.
+```python
 # 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
+```python
 # создаем модель
 model_1h100 = Sequential()
 model_1h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
@@ -123,8 +136,10 @@ plt.show()
 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
+```python
 # создаем модель
 model_1h300 = Sequential()
 model_1h300.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
@@ -152,8 +167,10 @@ plt.show()
 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
+```python
 # создаем модель
 model_1h500 = Sequential()
 model_1h500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
@@ -181,11 +198,16 @@ plt.show()
 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
+```python
 # создаем модель
 model_1h100_2h50 = Sequential()
 model_1h100_2h50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
@@ -214,8 +236,10 @@ plt.show()
 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
+```python
 # создаем модель
 model_1h100_2h100 = Sequential()
 model_1h100_2h100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
@@ -244,6 +268,7 @@ plt.show()
 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
@@ -263,10 +288,13 @@ print('Accuracy on test data:', scores[1])
 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
-
+```python
 model_1h100_2h100.save('best_model.keras')
+```
+
 ### Пункт 12
 Вывели результаты тестирования модели
+```python
 # вывод тестового изображения и результата распознавания 1
 n = 123
 result = model_1h100_2h100.predict(X_test[n:n+1])
@@ -275,9 +303,12 @@ 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
+```python
+
 # загрузка собственного изображения
 from PIL import Image
 file_data = Image.open('five_v3.png')
@@ -294,9 +325,12 @@ 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.
+```python
+
 file_data = Image.open('three_v3_rotated.png')
 file_data = file_data.convert('L') # перевод в градации серого
 test_img = np.array(file_data)
@@ -324,5 +358,7 @@ 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.