16 KiB
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.