Изменил(а) на 'labworks/LW3/report.md'

labworks/LW3/report.md

@@ -103,37 +103,57 @@ model.add(layers.Flatten())
 model.add(layers.Dense(num_classes, activation="softmax"))
 
 model.summary()
-```
+
 **Model: "sequential"**
+
 | Layer (type)                   | Output Shape        | Param # |
+
 |--------------------------------|---------------------|--------:|
+
 | conv2d (Conv2D)                | (None, 26, 26, 32)  |     320 |
+
 | max_pooling2d_8 (MaxPooling2D)   | (None, 13, 13, 32)  |       0 |
+
 | conv2d_1 (Conv2D)              | (None, 11, 11, 64)  |  18,496 |
+
 | max_pooling2d_9 (MaxPooling2D) | (None, 5, 5, 64)    |       0 |
+
 | dropout (Dropout)              | (None, 5, 5, 64)    |       0 |
+
 | flatten (Flatten)              | (None, 1600)        |       0 |
+
 | dense (Dense)                  | (None, 10)          |  16,010 |
+
 **Total params:** 34,826 (136.04 KB)  
+
 **Trainable params:** 34,826 (136.04 KB)  
+
 **Non-trainable params:** 0 (0.00 B)
 
+
 ```python
 batch_size = 512
 epochs = 15
 model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
 model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
 ```
-```
+
 Epoch 1/15
+
 106/106 ━━━━━━━━━━━━━━━━━━━━ 6s 34ms/step - accuracy: 0.5991 - loss: 1.2739 - val_accuracy: 0.9427 - val_loss: 0.1933
+
 Epoch 2/15
+
 106/106 ━━━━━━━━━━━━━━━━━━━━ 1s 12ms/step - accuracy: 0.9363 - loss: 0.2175 - val_accuracy: 0.9645 - val_loss: 0.1128
+
 ...
+
 Epoch 15/15
+
 106/106 ━━━━━━━━━━━━━━━━━━━━ 1s 12ms/step - accuracy: 0.9851 - loss: 0.0460 - val_accuracy: 0.9895 - val_loss: 0.0350
+
 <keras.src.callbacks.history.History at 0x78575e329e50>
-```
+
 ### 6) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
 
 ```python
@@ -141,11 +161,14 @@ scores = model.evaluate(X_test, y_test)
 print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
-```
+
 313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.9867 - loss: 0.0411
+
 Loss on test data: 0.04398002102971077
+
 Accuracy on test data: 0.9865000247955322
-```
+
+
 
 ### 7) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
 
@@ -160,24 +183,29 @@ for n in [3,26]:
   print('Real mark: ', np.argmax(y_test[n]))
   print('NN answer: ', np.argmax(result))
 ```
-```
+
 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 332ms/step
+
 NN output: [[1.9338373e-09 8.8185527e-12 4.5429974e-08 2.5885814e-04 1.7587592e-08
   9.9952632e-01 1.1317411e-08 1.5951617e-08 1.6658140e-08 2.1473359e-04]]
-```
+
 ![picture](7.png)
-```
+
 Real mark:  5
+
 NN answer:  5
+
 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step
+
 NN output: [[2.6663812e-04 5.6896381e-09 3.4766167e-04 2.4042051e-09 2.7227568e-04
   6.0989500e-08 9.9911338e-01 2.0191379e-08 4.6584045e-08 1.9427532e-08]]
-```
+
 ![picture](7_1.png)
-```
+
 Real mark:  6
+
 NN answer:  6
-```
+
 
 ### 8) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
 
@@ -196,25 +224,40 @@ display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix)
 display.plot()
 plt.show()
 ```
-```
+
 313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step
+
               precision    recall  f1-score   support
 
+
            0       0.99      0.99      0.99      1009
+
            1       0.99      1.00      1.00      1147
+
            2       0.98      0.98      0.98       969
+
            3       0.98      0.99      0.99      1025
+
            4       0.99      0.98      0.99       939
+
            5       0.98      0.98      0.98       881
+
            6       0.99      0.99      0.99      1037
+
            7       0.98      0.99      0.98      1001
+
            8       0.99      0.98      0.98       950
+
            9       0.99      0.98      0.98      1042
 
+
     accuracy                           0.99     10000
+
    macro avg       0.99      0.99      0.99     10000
+
 weighted avg       0.99      0.99      0.99     10000
-```
+
+
 ![picture](8.png)
 
 ### 9) Загрузили, предобработали и подали на вход обученной нейронной сети собственное изображение, созданное при выполнении лабораторной работы №1. Вывели изображение и результат распознавания.
@@ -241,13 +284,13 @@ for name_image in ['цифра 3.png', 'цифра 6.png']:
   print('I think it\'s', np.argmax(result))
 ```
 ![picture](9.png)
-```
+
 I think it's 2
-```
+
 ![picture](9_2.png)
-```
+
 I think it's 5
-```
+
 
 ### 10) Загрузили с диска модель, сохраненную при выполнении лабораторной работы №1. Вывели информацию об архитектуре модели. Повторили для этой модели п. 6.
 
@@ -257,13 +300,21 @@ model_lr1 = keras.models.load_model("model_1h100_2h50.keras")
 model_lr1.summary()
 ```
 **Model: "sequential_10"**
+
 | Layer (type)     | Output Shape | Param # |
+
 |------------------|-------------:|--------:|
+
 | dense_1 (Dense) | (None, 100)  |  78,500 |
+
 | dense_2 (Dense) | (None, 10)   |   1,010 |
+
 **Total params:** 79,512 (310.60 KB)  
-**Trainable params:** 79,510 (310.59 KB)  
+
+**Trainable params:** 79,510 (310.59 KB) 
+
 **Non-trainable params:** 0 (0.00 B)  
+
 **Optimizer params:** 2 (12.00 B)
 
 
@@ -285,12 +336,15 @@ y_test = keras.utils.to_categorical(y_test, num_classes)
 print('Shape of transformed y train:', y_train.shape)
 print('Shape of transformed y test:', y_test.shape)
 ```
-```
+
 Shape of transformed X train: (60000, 784)
+
 Shape of transformed X train: (10000, 784)
+
 Shape of transformed y train: (60000, 10)
+
 Shape of transformed y test: (10000, 10)
-```
+
 
 ```python
 # Оценка качества работы модели на тестовых данных
@@ -298,11 +352,13 @@ scores = model_lr1.evaluate(X_test, y_test)
 print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
-```
+
 313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9452 - loss: 0.1976
+
 Loss on test data: 0.19490210711956024
+
 Accuracy on test data: 0.944599986076355
-```
+
 
 ### 11) Сравнили обученную модель сверточной сети и наилучшую модель полносвязной сети из лабораторной работы №1 по следующим показателям:
 ### - количество настраиваемых параметров в сети
@@ -310,24 +366,19 @@ Accuracy on test data: 0.944599986076355
 ### - качество классификации тестовой выборки.
 ### Сделали выводы по результатам применения сверточной нейронной сети для распознавания изображений.  
 
-Таблица1:
-
 | Модель   | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
+
 |----------|-------------------------------------|---------------------------|-----------------------------------------|
+
 | Сверточная | 34 826                              | 15                        | accuracy:0.986     ; loss:0.044                                   |
+
 | Полносвязная | 84 062                              | 50                        | accuracy:0.944     ; loss:0.195                                  |
 
 
-##### По результатам применения сверточной НС, а также по результатам таблицы 1 делаем выводы, что сверточная НС намного лучше справляется с задачами распознования изображений, чем полносвязная - имеет меньше настраиваемых параметров, быстрее обучается, имеет лучшие показатели качества.
+##### Вывод:Сравнительный анализ показывает явное преимущество свёрточной нейронной сети перед полносвязной в задачах распознавания изображений: при вдвое меньшем количестве параметров (34 826 против 79 512) и трёхкратном сокращении числа эпох обучения (15 против 50) CNN достигает более высокой точности (98,65% против 94,46%) и значительно меньшей ошибки (0,044 против 0,195).
 
 ## Задание 2
 
-### В новом блокноте выполнили п. 2–8 задания 1, изменив набор данных MNIST на CIFAR-10, содержащий размеченные цветные изображения объектов, разделенные на 10 классов.  
-### При этом:
-### - в п. 3 разбиение данных на обучающие и тестовые произвели в соотношении 50 000:10 000
-### - после разбиения данных (между п. 3 и 4) вывели 25 изображений из обучающей выборки с подписями классов
-### - в п. 7 одно из тестовых изображений должно распознаваться корректно, а другое – ошибочно.   
-
 ### 1) Загрузили набор данных CIFAR-10, содержащий цветные изображения размеченные на 10 классов: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль, грузовик.
 
 ```python
@@ -357,12 +408,15 @@ print('Shape of y train:', y_train.shape)
 print('Shape of X test:', X_test.shape)
 print('Shape of y test:', y_test.shape)
 ```
-```
+
 Shape of X train: (50000, 32, 32, 3)
+
 Shape of y train: (50000, 1)
+
 Shape of X test: (10000, 32, 32, 3)
+
 Shape of y test: (10000, 1)
-```
+
 
 ### Вывели 25 изображений из обучающей выборки с подписью классов.
 
@@ -402,12 +456,15 @@ y_test = keras.utils.to_categorical(y_test, num_classes)
 print('Shape of transformed y train:', y_train.shape)
 print('Shape of transformed y test:', y_test.shape)
 ```
-```
+
 Shape of transformed X train: (50000, 32, 32, 3)
+
 Shape of transformed X test: (10000, 32, 32, 3)
+
 Shape of transformed y train: (50000, 10)
+
 Shape of transformed y test: (10000, 10)
-```
+
 
 ### 4) Реализовали модель сверточной нейронной сети и обучили ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели информацию об архитектуре нейронной сети.
 
@@ -449,32 +506,59 @@ model.add(layers.Dense(num_classes, activation="softmax"))
 model.summary()
 ```
 **Model: "sequential_9"**
+
 | Layer (type)                               | Output Shape      |  Param # |
+
 |--------------------------------------------|-------------------|---------:|
+
 | conv2d_16 (Conv2D)                         | (None, 32, 32, 32) |      896 |
+
 | batch_normalization_12 (BatchNormalization) | (None, 32, 32, 32) |      128 |
+
 | conv2d_17 (Conv2D)                         | (None, 32, 32, 32) |    9,248 |
+
 | batch_normalization_13 (BatchNormalization) | (None, 32, 32, 32) |      128 |
+
 | max_pooling2d_10 (MaxPooling2D)           | (None, 16, 16, 32) |        0 |
+
 | dropout_10 (Dropout)                       | (None, 16, 16, 32) |        0 |
+
 | conv2d_18 (Conv2D)                         | (None, 16, 16, 64) |   18,496 |
+
 | batch_normalization_14 (BatchNormalization) | (None, 16, 16, 64) |      256 |
+
 | conv2d_19 (Conv2D)                         | (None, 16, 16, 64) |   36,928 |
+
 | batch_normalization_15 (BatchNormalization) | (None, 16, 16, 64) |      256 |
+
 | max_pooling2d_11 (MaxPooling2D)           | (None, 8, 8, 64)   |        0 |
+
 | dropout_11 (Dropout)                       | (None, 8, 8, 64)   |        0 |
+
 | conv2d_20 (Conv2D)                         | (None, 8, 8, 128)  |   73,856 |
+
 | batch_normalization_16 (BatchNormalization)| (None, 8, 8, 128)  |      512 |
+
 | conv2d_21 (Conv2D)                         | (None, 8, 8, 128)  |  147,584 |
+
 | batch_normalization_17 (BatchNormalization)| (None, 8, 8, 128)  |      512 |
+
 | max_pooling2d_12 (MaxPooling2D)           | (None, 4, 4, 128)  |        0 |
+
 | dropout_12 (Dropout)                       | (None, 4, 4, 128)  |        0 |
+
 | flatten_4 (Flatten)                        | (None, 2048)       |        0 |
+
 | dense_6 (Dense)                           | (None, 128)        |  262,272 |
+
 | dropout_13 (Dropout)                       | (None, 128)        |        0 |
+
 | dense_7 (Dense)                           | (None, 10)         |    1,290 |
+
 **Total params:** 552,362 (2.11 MB)  
+
 **Trainable params:** 551,466 (2.10 MB)  
+
 **Non-trainable params:** 896 (3.50 KB)
 
 ```python
@@ -484,16 +568,24 @@ epochs = 50
 model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
 model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
 ```
-```
+
 Epoch 1/50
+
 704/704 ━━━━━━━━━━━━━━━━━━━━ 25s 21ms/step - accuracy: 0.2474 - loss: 2.1347 - val_accuracy: 0.5014 - val_loss: 1.3804
+
 Epoch 2/50
+
 704/704 ━━━━━━━━━━━━━━━━━━━━ 7s 10ms/step - accuracy: 0.4517 - loss: 1.4843 - val_accuracy: 0.5648 - val_loss: 1.2039
+
 ...
+
 Epoch 50/50
+
 704/704 ━━━━━━━━━━━━━━━━━━━━ 9s 13ms/step - accuracy: 0.9183 - loss: 0.2363 - val_accuracy: 0.8370 - val_loss: 0.5748
+
 <keras.src.callbacks.history.History at 0x78575551f7a0>
-```
+
+
 
 ### 5) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
 
@@ -503,11 +595,13 @@ scores = model.evaluate(X_test, y_test)
 print('Loss on test data:', scores[0])
 print('Accuracy on test data:', scores[1])
 ```
-```
+
 313/313 ━━━━━━━━━━━━━━━━━━━━ 3s 5ms/step - accuracy: 0.8535 - loss: 0.5236
+
 Loss on test data: 0.5263504981994629
+
 Accuracy on test data: 0.8525000214576721
-```
+
 
 ### 6) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
 
@@ -523,24 +617,30 @@ for n in [3,15]:
   print('Real mark: ', np.argmax(y_test[n]))
   print('NN answer: ', np.argmax(result))
 ```
-```
+
 1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 662ms/step
+
 NN output: [[3.9128518e-13 3.7927967e-14 9.7535979e-10 9.2453198e-11 2.2669273e-13
   4.2581650e-13 1.0000000e+00 2.1332333e-19 5.8570602e-13 1.1833489e-11]]
-```
+
+
 ![picture](2_6.png)
-```
+
 Real mark:  6
+
 NN answer:  6
+
 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step
+
 NN output: [[9.5250229e-08 5.8261224e-10 2.7865291e-05 2.9105169e-03 9.8321760e-01
   1.3797697e-02 2.7701269e-06 4.3220436e-05 2.0006892e-08 1.8016836e-07]]
-```
+
 ![picture](2_7.png)
-```
+
 Real mark:  4
+
 NN answer:  4
-```
+
 
 ### 7) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
 
@@ -561,25 +661,40 @@ disp.plot(ax=ax, xticks_rotation=45)  # поворот подписей по X
 plt.tight_layout()  # чтобы всё влезло
 plt.show()
 ```
-```
+
 313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 4ms/step
+
               precision    recall  f1-score   support
 
+
     airplane       0.90      0.84      0.87      1007
+
   automobile       0.92      0.93      0.93      1037
+
         bird       0.86      0.78      0.82      1030
+
          cat       0.68      0.72      0.70       990
+
         deer       0.84      0.83      0.83       966
+
          dog       0.77      0.79      0.78      1009
+
         frog       0.78      0.94      0.86       972
+
        horse       0.95      0.84      0.89       991
+
         ship       0.94      0.93      0.94       990
+
        truck       0.91      0.92      0.92      1008
 
+
     accuracy                           0.85     10000
+
    macro avg       0.86      0.85      0.85     10000
+
 weighted avg       0.86      0.85      0.85     10000
-```
+
+
 ![picture](2_8.png)
 
 #### Сводная точность модели на тестовой выборке CIFAR-10 составила 85%, что свидетельствует о её эффективности в решении задачи классификации цветных изображений.