@ -171,7 +171,7 @@ print('Real mark: ', np.argmax(y_test[n]))
print('NN answer: ', np.argmax(result))
```
---
@ -196,7 +196,7 @@ display.plot()
plt.show()
```
### 9. Загрузка, предобработка и подача собственных изображения
@ -220,7 +220,7 @@ result = model.predict(test_img)
print('I think it\'s ', np.argmax(result))
```
```python
# загрузка собственного изображения
@ -239,7 +239,7 @@ result = model.predict(test_img)
print('I think it\'s ', np.argmax(result))
```
---
@ -250,7 +250,7 @@ model = keras.models.load_model("best_model.keras")
model.summary()
```
```python
# развернем каждое изображение 28*28 в вектор 784
@ -390,7 +390,7 @@ for i in range(25):
plt.show()
```
### 4. Предобработка данных
@ -452,7 +452,7 @@ model.add(layers.Dense(num_classes, activation="softmax"))
model.summary()
```
```python
batch_size = 64
@ -490,9 +490,9 @@ for n in [2,15]:
```
---
@ -519,9 +519,9 @@ plt.tight_layout() # чтобы всё влезло
plt.show()
```
**Вывод**: Модель нейронной сети, обученная на датасете CIFAR-10, показала достойный результат с точностью распознавания 82%. При этом её показатель оказался ниже, чем у модели, созданной для MNIST. Такое различие объясняется характером данных: классификация цветных изображений заметно сложнее, чем чёрно-белых цифр. Для повышения качества распознавания в случае CIFAR-10 целесообразно усложнять архитектуру сети: увеличивать число слоёв и эпох обучения, а также расширять обучающую выборку (в данной работе она составляла 50 000 примеров).
