форкнуто от main/is_dnn
Вы не можете выбрать более 25 тем
Темы должны начинаться с буквы или цифры, могут содержать дефисы(-) и должны содержать не более 35 символов.
550 строки
24 KiB
Markdown
550 строки
24 KiB
Markdown
# Отчет по лабораторной работе №1
|
|
Текотова Виктория, Секирин Артем, А-02-22
|
|
|
|
## 1. В среде GoogleColab создали блокнот(notebook.ipynb).
|
|
```
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks')
|
|
```
|
|
|
|
* импорт модулей
|
|
```
|
|
from tensorflow import keras
|
|
import matplotlib.pyplot as plt
|
|
import numpy as np
|
|
import sklearn
|
|
```
|
|
|
|
## 2. Загрузка датасета MNIST
|
|
```
|
|
from keras.datasets import mnist
|
|
(X_train,y_train),(X_test,y_test)=mnist.load_data()
|
|
```
|
|
|
|
## 3. Разбиение набора данных на обучающие и тестовые
|
|
```
|
|
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=3)
|
|
```
|
|
|
|
* Вывод размерностей
|
|
```
|
|
print('ShapeofXtrain:',X_train.shape)
|
|
print('Shapeofytrain:',y_train.shape)
|
|
print('ShapeofXtrain:',X_test.shape)
|
|
print('Shapeofytrain:',y_test.shape)
|
|
```
|
|
|
|
> ShapeofXtrain: (60000, 784)
|
|
> Shapeofytrain: (60000, 10)
|
|
> ShapeofXtrain: (10000, 784)
|
|
> Shapeofytrain: (10000, 10)
|
|
|
|
## 4. Вывод элементов обучающих данных
|
|
* Создаем subplot для 4 изображений
|
|
```
|
|
for i in range(4):
|
|
plt.subplot(1, 4, i+1) # 1 строка, n столбцов
|
|
plt.imshow(X_train[i], cmap='gray')
|
|
plt.axis('off') # убрать оси
|
|
plt.title(y_train[i]) # метка под картинкой
|
|
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
## 5. Предобработка 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('ShapeoftransformedXtrain:',X_train.shape)
|
|
```
|
|
|
|
> ShapeoftransformedXtrain: (60000, 784)
|
|
|
|
* переведем метки в one-hot
|
|
```
|
|
from keras.utils import to_categorical
|
|
y_train=to_categorical(y_train)
|
|
y_test=to_categorical(y_test)
|
|
print('Shapeoftransformedytrain:',y_train.shape)
|
|
num_classes=y_train.shape[1]
|
|
```
|
|
|
|
> Shapeoftransformedytrain: (60000, 10)
|
|
* Вывод размерностей
|
|
```
|
|
print('ShapeofXtrain:',X_train.shape)
|
|
print('Shapeofytrain:',y_train.shape)
|
|
print('ShapeofXtrain:',X_test.shape)
|
|
print('Shapeofytrain:',y_test.shape)
|
|
```
|
|
> ShapeofXtrain: (60000, 784)
|
|
> Shapeofytrain: (60000, 10)
|
|
> ShapeofXtrain: (10000, 784)
|
|
> Shapeofytrain: (10000, 10)
|
|
|
|
## 6. Реализация и обучение однослойной нейронной сети
|
|
```
|
|
from keras.models import Sequential
|
|
from keras.layers import Dense
|
|
```
|
|
|
|
* 6.1. создаем модель - объявляем ее объектом класса Sequential
|
|
```
|
|
model=Sequential()
|
|
model.add(Dense(input_dim=num_pixels,units=num_classes,activation='softmax'))
|
|
```
|
|
* 6.2. компилируем модель
|
|
```
|
|
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model.summary())
|
|
```
|
|
>Model: "sequential"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense (Dense) │ (None, 10) │ 7,850 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 7,850 (30.66 KB)
|
|
> Trainable params: 7,850 (30.66 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
>None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
## 7. Применение модели к тестовым данным
|
|
```
|
|
scores=model.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: 0.9207 - loss: 0.2944
|
|
> Loss on test data: 0.2864772379398346
|
|
> Accuracy on test data: 0.9229999780654907
|
|
|
|
## 8. Добавили один скрытый слой и повторили п. 6-7
|
|
* при 100 нейронах в скрытом слое
|
|
```
|
|
model_1h100=Sequential()
|
|
model_1h100.add(Dense(units=100,input_dim=num_pixels,activation='sigmoid'))
|
|
model_1h100.add(Dense(units=num_classes,activation='softmax'))
|
|
model_1h100.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model_1h100.summary())
|
|
```
|
|
> Model: "sequential_1"
|
|
> ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
> ┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
> ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
> │ dense_1 (Dense) │ (None, 100) │ 78,500 │
|
|
> ├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
> │ dense_2 (Dense) │ (None, 10) │ 1,010 │
|
|
> └─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 79,510 (310.59 KB)
|
|
> Trainable params: 79,510 (310.59 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
> None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model_1h100.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
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])
|
|
```
|
|
|
|
> 313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.9380 - loss: 0.2142
|
|
> Loss on test data: 0.2046738713979721
|
|
> Accuracy on test data: 0.942799985408783
|
|
|
|
* при 300 нейронах в скрытом слое
|
|
```
|
|
model_1h300=Sequential()
|
|
model_1h300.add(Dense(units=300,input_dim=num_pixels,activation='sigmoid'))
|
|
model_1h300.add(Dense(units=num_classes,activation='softmax'))
|
|
model_1h300.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model_1h300.summary())
|
|
```
|
|
> Model: "sequential_2"
|
|
> ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
> ┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
> ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
> │ dense_3 (Dense) │ (None, 300) │ 235,500 │
|
|
> ├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
> │ dense_4 (Dense) │ (None, 10) │ 3,010 │
|
|
> └─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 238,510 (931.68 KB)
|
|
> Trainable params: 238,510 (931.68 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
> None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model_1h300.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
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])
|
|
```
|
|
|
|
>313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9328 - loss: 0.2403
|
|
>Loss on test data: 0.23027946054935455
|
|
>Accuracy on test data: 0.9363999962806702
|
|
|
|
* при 500 нейронах в скрытом слое
|
|
```
|
|
model_1h500=Sequential()
|
|
model_1h500.add(Dense(units=500,input_dim=num_pixels,activation='sigmoid'))
|
|
model_1h500.add(Dense(units=num_classes,activation='softmax'))
|
|
model_1h500.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model_1h500.summary())
|
|
```
|
|
>Model: "sequential_3"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_5 (Dense) │ (None, 500) │ 392,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_6 (Dense) │ (None, 10) │ 5,010 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 397,510 (1.52 MB)
|
|
> Trainable params: 397,510 (1.52 MB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
>None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model_1h500.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
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])
|
|
```
|
|
>313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9265 - loss: 0.2585
|
|
>Loss on test data: 0.24952808022499084
|
|
>Accuracy on test data: 0.9307000041007996
|
|
|
|
Как мы видим, лучшая метрика получилась равной 0.942799985408783 при архитектуре со 100 нейронами в скрытом слое, поэтому для дальнейших пунктов используем ее.
|
|
|
|
## 9. Добавили второй скрытый слой
|
|
* при 50 нейронах во втором скрытом слое
|
|
```
|
|
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'))
|
|
model_1h100_2h50.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model_1h100_2h50.summary())
|
|
```
|
|
> Model: "sequential_4"
|
|
> ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
> ┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
> ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
> │ dense_7 (Dense) │ (None, 100) │ 78,500 │
|
|
> ├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
> │ dense_8 (Dense) │ (None, 50) │ 5,050 │
|
|
> ├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
> │ dense_9 (Dense) │ (None, 10) │ 510 │
|
|
> └─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 84,060 (328.36 KB)
|
|
> Trainable params: 84,060 (328.36 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
> None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model_1h100_2h50.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
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])
|
|
```
|
|
|
|
>313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9388 - loss: 0.2173
|
|
>Loss on test data: 0.20536193251609802
|
|
>Accuracy on test data: 0.9416000247001648
|
|
|
|
* при 100 нейронах во втором скрытом слое
|
|
```
|
|
model_1h100_2h100=Sequential()
|
|
model_1h100_2h100.add(Dense(units=100,input_dim=num_pixels,activation='sigmoid'))
|
|
model_1h100_2h100.add(Dense(units=50,activation='sigmoid'))
|
|
model_1h100_2h100.add(Dense(units=num_classes,activation='softmax'))
|
|
model_1h100_2h100.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])
|
|
```
|
|
* Вывод информации об архитектуре модели
|
|
```
|
|
print(model_1h100_2h100.summary())
|
|
```
|
|
>Model: "sequential_5"
|
|
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
>│ dense_10 (Dense) │ (None, 100) │ 78,500 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_11 (Dense) │ (None, 50) │ 5,050 │
|
|
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
>│ dense_12 (Dense) │ (None, 10) │ 510 │
|
|
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
> Total params: 84,060 (328.36 KB)
|
|
> Trainable params: 84,060 (328.36 KB)
|
|
> Non-trainable params: 0 (0.00 B)
|
|
>None
|
|
|
|
* Обучаем модель
|
|
```
|
|
H=model_1h100_2h100.fit(X_train,y_train,validation_split=0.1,epochs=50)
|
|
```
|
|
|
|
* Выводим график функции ошибки
|
|
```
|
|
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('Lossbyepochs')
|
|
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])
|
|
```
|
|
|
|
>313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.9414 - loss: 0.2154
|
|
>Loss on test data: 0.2049565464258194
|
|
>Accuracy on test data: 0.9427000284194946
|
|
|
|
Количество Количество нейронов в Количество нейронов во Значение метрики
|
|
скрытых слоев первом скрытом слое втором скрытом слое качества классификации
|
|
0 - - 0.9229999780654907
|
|
1 100 - 0.942799985408783
|
|
1 300 - 0.9363999962806702
|
|
1 500 - 0.9307000041007996
|
|
2 100 50 0.9416000247001648
|
|
2 100 100 0.9427000284194946
|
|
|
|
Из таблицы видно, что лучше всего справились с задачей НС с одним скрытым слоем и 100 нейронами и НС с двумя скрытыми слоями по 100 нейронов.
|
|
Метрика точности достигла почти 95% при достаточно простой архитектуре сетей, это может быть связано с тем, что датасет MNIST имеет только 60,000 обучающих примеров - недостаточно для более сложных архитектур. Также при усложнении архитектуры сети появляется риск переобучения. В нашей задаче мы видим, что при увеличении числа нейронов в скрытых слоях метрика падает.Простая модель лучше обобщает на подобных учебных датасетах, более сложные же архитектуры стоит использовать на более сложных датасетах, например ImageNet.
|
|
|
|
## 11. Сохранение наилучшей модели на диск
|
|
```
|
|
model_1h100.save('/content/drive/MyDrive/Colab Notebooks/best_model.keras')
|
|
```
|
|
|
|
## 12. Вывод тестовых изображений и результатов распознаваний
|
|
```
|
|
for i in range(1,3,1):
|
|
result=model_1h100.predict(X_test[i:i+1])
|
|
print('NNoutput:',result)
|
|
plt.imshow(X_test[i].reshape(28,28),cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
print('Realmark:',str(np.argmax(y_test[i])))
|
|
print('NNanswer:',str(np.argmax(result)))
|
|
```
|
|
|
|
> NNoutput: [[1.4195202e-03 1.1157753e-03 1.3601109e-02 1.2154530e-01 4.0756597e-04
|
|
8.3563459e-01 2.9775328e-03 7.1576833e-05 1.9775130e-02 3.4518384e-03]]
|
|
|
|
>Realmark: 3
|
|
>NNanswer: 5
|
|
> NNoutput: [[1.1838503e-04 1.7378072e-04 4.7975280e-03 9.3888867e-01 3.9176564e-05
|
|
3.4841071e-03 1.5808465e-06 1.6603278e-02 1.6292465e-03 3.4264266e-02]]
|
|
|
|
>Realmark: 3
|
|
>NNanswer: 3
|
|
|
|
## 13. Тестирование на собственных изображениях
|
|
* загрузка 1 собственного изображения
|
|
```
|
|
from PIL import Image
|
|
file_data=Image.open('/content/drive/MyDrive/Colab Notebooks/2.png')
|
|
file_data=file_data.convert('L')
|
|
test_img=np.array(file_data)
|
|
```
|
|
|
|
* вывод собственного изображения, предобработка, распознавание
|
|
```
|
|
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.predict(test_img)
|
|
print('Ithinkit\'s',np.argmax(result))
|
|
```
|
|
|
|
|
|
> Ithinkit's 2
|
|
|
|
* тест 2 изображения
|
|
```
|
|
from PIL import Image
|
|
file_data=Image.open('/content/drive/MyDrive/Colab Notebooks/5.png')
|
|
file_data=file_data.convert('L')
|
|
test_img=np.array(file_data)
|
|
plt.imshow(test_img,cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
test_img=test_img/255
|
|
test_img=test_img.reshape(1,num_pixels)
|
|
result=model_1h100.predict(test_img)
|
|
print('Ithinkit\'s',np.argmax(result))
|
|
```
|
|
|
|
|
|
>Ithinkit's 5
|
|
|
|
Сеть не ошиблась и корректно распознала обе цифры на изображениях
|
|
|
|
## 14. Тестирование на собственных повернутых изображениях
|
|
```
|
|
from PIL import Image
|
|
file_data=Image.open('/content/drive/MyDrive/Colab Notebooks/2_1.png')
|
|
file_data=file_data.convert('L')
|
|
test_img=np.array(file_data)
|
|
plt.imshow(test_img,cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
test_img=test_img/255
|
|
test_img=test_img.reshape(1,num_pixels)
|
|
result=model_1h100.predict(test_img)
|
|
print('Ithinkit\'s',np.argmax(result))
|
|
```
|
|
|
|
>Ithinkit's 5
|
|
|
|
```
|
|
from PIL import Image
|
|
file_data=Image.open('/content/drive/MyDrive/Colab Notebooks/5_1.png')
|
|
file_data=file_data.convert('L')
|
|
test_img=np.array(file_data)
|
|
plt.imshow(test_img,cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
test_img=test_img/255
|
|
test_img=test_img.reshape(1,num_pixels)
|
|
result=model_1h100.predict(test_img)
|
|
print('Ithinkit\'s',np.argmax(result))
|
|
```
|
|
|
|
|
|
>Ithinkit's 7
|
|
|
|
При повороте изображений сеть не распознала цифры правильно. Так как она не обучалась на повернутых изображениях. |