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.
532 строки
28 KiB
Markdown
532 строки
28 KiB
Markdown
# Лабораторная работа №3: Распознование изображений
|
|
**Ватьков А..С., Харисов С.Р. — А-01-22**
|
|
## Вариант 2
|
|
|
|
### Цель работы
|
|
Получить практические навыки создания, обучения и применения сверточных нейронных сетей для распознавания изображений. Познакомиться с классическими показателямикачества классификации.
|
|
|
|
---
|
|
|
|
## ЗАДАНИЕ 1:
|
|
|
|
### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки модули.
|
|
```python
|
|
# импорт модулей
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab3')
|
|
|
|
from tensorflow import keras
|
|
from tensorflow.keras import layers
|
|
from tensorflow.keras.models import Sequential
|
|
import matplotlib.pyplot as plt
|
|
import numpy as np
|
|
from sklearn.metrics import classification_report, confusion_matrix
|
|
from sklearn.metrics import ConfusionMatrixDisplay
|
|
```
|
|
|
|
### 2) Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
|
|
```python
|
|
#загрузка датасета
|
|
from keras.datasets import mnist
|
|
(X_train,y_train),(X_test,y_test)=mnist.load_data()
|
|
```
|
|
### 3) Разбили набор данных на обучающие и тестовые данные в соотношении 60 000:10 000 элементов. Параметр random_state выбрали равным (4k – 1)=23, где k=2 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# создание своего разбиения датасета
|
|
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=7)
|
|
#вывод размерностей
|
|
print('ShapeofXtrain:',X_train.shape)
|
|
print('Shapeofytrain:',y_train.shape)
|
|
print('ShapeofXtest:',X_test.shape)
|
|
print('Shapeofytest:',y_test.shape)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
ShapeofXtrain: (60000, 784)
|
|
Shapeofytrain: (60000, 10)
|
|
ShapeofXtest: (10000, 784)
|
|
Shapeofytest: (10000, 10)
|
|
```
|
|
|
|
### 4) Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения сверточной нейронной сети. Входные данные принимают значения от 0 до 1, метки цифр закодированы по принципу «one-hot encoding». Вывели размерности предобработанных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# Зададим параметры данных и модели
|
|
num_classes = 10
|
|
input_shape = (28, 28, 1)
|
|
|
|
# Приведение входных данных к диапазону [0, 1]
|
|
X_train = X_train / 255
|
|
X_test = X_test / 255
|
|
|
|
# Расширяем размерность входных данных, чтобы каждое изображение имело
|
|
# размерность (высота, ширина, количество каналов)
|
|
|
|
X_train = np.expand_dims(X_train, -1)
|
|
X_test = np.expand_dims(X_test, -1)
|
|
print('Shape of transformed X train:', X_train.shape)
|
|
print('Shape of transformed X test:', X_test.shape)
|
|
|
|
# переведем метки в one-hot
|
|
y_train = keras.utils.to_categorical(y_train, num_classes)
|
|
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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Shape of transformed X train: (60000, 784, 1)
|
|
Shape of transformed X test: (10000, 784, 1)
|
|
Shape of transformed y train: (60000, 10, 10)
|
|
Shape of transformed y test: (10000, 10, 10)
|
|
```
|
|
|
|
### 5) 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.
|
|
|
|
```python
|
|
# создаем модель
|
|
model = Sequential()
|
|
model.add(layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=input_shape))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(64, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Dropout(0.5))
|
|
model.add(layers.Flatten())
|
|
model.add(layers.Dense(num_classes, activation="softmax"))
|
|
|
|
model.summary()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Model: "sequential_1"
|
|
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
│ conv2d_2 (Conv2D) │ (None, 26, 26, 32) │ 320 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_2 (MaxPooling2D) │ (None, 13, 13, 32) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ conv2d_3 (Conv2D) │ (None, 11, 11, 64) │ 18,496 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_3 (MaxPooling2D) │ (None, 5, 5, 64) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dropout_1 (Dropout) │ (None, 5, 5, 64) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ flatten_1 (Flatten) │ (None, 1600) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense_1 (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
|
|
# компилируем и обучаем модель
|
|
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)
|
|
```
|
|
|
|
### 6) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = model.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
accuracy: 0.9869 - loss: 0.0416
|
|
Loss on test data: 0.03736430034041405
|
|
Accuracy on test data: 0.987500011920929
|
|
```
|
|
|
|
### 7) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
|
|
|
|
```python
|
|
# вывод двух тестовых изображений и результатов распознавания
|
|
|
|
for n in [3,26]:
|
|
result = model.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: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
NN output: [[5.8457961e-05 1.1934165e-07 3.5872327e-03 1.5178112e-03 2.3396646e-03
|
|
2.2744694e-04 2.2863835e-09 2.1041350e-02 9.8008277e-06 9.7121811e-01]]
|
|
```
|
|
|
|
```
|
|
Real mark: 9
|
|
NN answer: 9
|
|
|
|
NN output: [[3.1146326e-06 9.9891639e-01 2.3905282e-04 2.6843284e-06 1.5585674e-05
|
|
1.0283401e-07 8.7107949e-08 3.5478003e-04 4.4751909e-04 2.0730571e-05]]
|
|
```
|
|
|
|
```
|
|
Real mark: 1
|
|
NN answer: 1
|
|
```
|
|
|
|
### 8) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
|
|
|
|
```python
|
|
# истинные метки классов
|
|
true_labels = np.argmax(y_test, axis=1)
|
|
# предсказанные метки классов
|
|
predicted_labels = np.argmax(model.predict(X_test), axis=1)
|
|
|
|
# отчет о качестве классификации
|
|
print(classification_report(true_labels, predicted_labels))
|
|
# вычисление матрицы ошибок
|
|
conf_matrix = confusion_matrix(true_labels, predicted_labels)
|
|
# отрисовка матрицы ошибок в виде "тепловой карты"
|
|
display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix)
|
|
display.plot()
|
|
plt.show()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
|
|
|
|
|
|
### 9) Загрузили, предобработали и подали на вход обученной нейронной сети собственное изображение, созданное при выполнении лабораторной работы №1. Вывели изображение и результат распознавания.
|
|
|
|
```python
|
|
# загрузка собственного изображения
|
|
from PIL import Image
|
|
|
|
file_data = Image.open('9.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 = np.reshape(test_img, (1,28,28,1))
|
|
|
|
# распознавание
|
|
result = model.predict(test_img)
|
|
print('I think it\'s', np.argmax(result))
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
!(9.png)
|
|
```
|
|
I think it's 9
|
|
```
|
|
|
|
### 10) Загрузили с диска модель, сохраненную при выполнении лабораторной работы №1. Вывели информацию об архитектуре модели. Повторили для этой модели п. 6.
|
|
|
|
```python
|
|
LR1_model = keras.models.load_model("best_model.keras")
|
|
LR1_model.summary()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Model: "sequential_2"
|
|
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
│ dense_3 (Dense) │ (None, 100) │ 78,500 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense_4 (Dense) │ (None, 10) │ 1,010 │
|
|
└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
Total params: 79,512 (310.60 KB)
|
|
Trainable params: 79,510 (310.59 KB)
|
|
Non-trainable params: 0 (0.00 B)
|
|
Optimizer params: 2 (12.00 B)
|
|
```
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = LR1_model.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
accuracy: 0.9163 - loss: 0.2937
|
|
Loss on test data: 0.2963277995586395
|
|
Accuracy on test data: 0.914900004863739
|
|
```
|
|
|
|
### 11) Сравнили обученную модель сверточной сети и наилучшую модель полносвязной сети из лабораторной работы №1 по следующим показателям:
|
|
|
|
###- количество настраиваемых параметров в сети
|
|
###- количество эпох обучения
|
|
###- качество классификации тестовой выборки.
|
|
|
|
###Сделали выводы по результатам применения сверточной нейронной сети для распознавания изображений.
|
|
Таблица 1:
|
|
| Модель | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
|
|
|-----------------|-------------------------------------|--------------------------|-----------------------------------------|
|
|
| Сверточная | 34,826 | 15 | accuracy: 0.9869 - loss: 0.0416 |
|
|
| Полносвязная | 79,512 | 500 | accuracy: 0.9163 - loss: 0.2937 |
|
|
|
|
### По результатам таблицы можно сделать вывод, чьл сверточная НС гораздо лучше справляется с задачей распознавания изображений, чем полносвязная. У нее меньше настраиваемых параметров, ей требуется меньше эпох обучения и ее показатели качества лучше, чем у полносвязной.
|
|
|
|
## 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 произвести в соотношении 50000:10000
|
|
* после разбиения данных(между п. 3 и 4)вывести 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
|
|
# загрузка датасета
|
|
from keras.datasets import cifar10
|
|
|
|
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
|
|
```
|
|
|
|
### 2) Разбили набор данных на обучающие и тестовые данные в соотношении 50 000:10 000 элементов. Параметр random_state выбрали равным (4k – 1)=7, где k=2 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# создание своего разбиения датасета
|
|
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 = 50000,random_state = 7
|
|
)
|
|
# вывод размерностей
|
|
print('Shape of X train:', X_train.shape)
|
|
print('Shape of y train:', y_train.shape)
|
|
print('Shape of X test:', X_test.shape)
|
|
print('Shape of y test:', y_test.shape)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
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.
|
|
|
|
```python
|
|
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer','dog', 'frog', 'horse', 'ship', 'truck']
|
|
|
|
plt.figure(figsize=(10,10))
|
|
for i in range(25):
|
|
plt.subplot(5,5,i+1)
|
|
plt.xticks([])
|
|
plt.yticks([])
|
|
plt.grid(False)
|
|
plt.imshow(X_train[i])
|
|
plt.xlabel(class_names[y_train[i][0]])
|
|
plt.show()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
|
|
|
|
### 3) Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения сверточной нейронной сети. Входные данные принимают значения от 0 до 1, метки цифр закодированы по принципу «one-hot encoding». Вывели размерности предобработанных обучающих и тестовых массивов данных.
|
|
|
|
```python
|
|
# Зададим параметры данных и модели
|
|
num_classes = 10
|
|
input_shape = (32, 32, 3)
|
|
|
|
# Приведение входных данных к диапазону [0, 1]
|
|
X_train = X_train / 255
|
|
X_test = X_test / 255
|
|
|
|
print('Shape of transformed X train:', X_train.shape)
|
|
print('Shape of transformed X test:', X_test.shape)
|
|
|
|
# переведем метки в one-hot
|
|
y_train = keras.utils.to_categorical(y_train, num_classes)
|
|
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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
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.
|
|
|
|
```python
|
|
model = Sequential()
|
|
model.add(layers.Conv2D(32, kernel_size=(3, 3), activation="relu", input_shape=input_shape))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(64, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Conv2D(128, kernel_size=(3, 3), activation="relu"))
|
|
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
|
|
model.add(layers.Flatten())
|
|
model.add(layers.Dense(128, activation='relu'))
|
|
model.add(layers.Dropout(0.5))
|
|
model.add(layers.Dense(num_classes, activation="softmax"))
|
|
model.summary()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Model: "sequential_1"
|
|
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
|
┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
|
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
|
│ conv2d (Conv2D) │ (None, 30, 30, 32) │ 896 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d (MaxPooling2D) │ (None, 15, 15, 32) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ conv2d_1 (Conv2D) │ (None, 13, 13, 64) │ 18,496 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_1 (MaxPooling2D) │ (None, 6, 6, 64) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ conv2d_2 (Conv2D) │ (None, 4, 4, 128) │ 73,856 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ max_pooling2d_2 (MaxPooling2D) │ (None, 2, 2, 128) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ flatten (Flatten) │ (None, 512) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense (Dense) │ (None, 128) │ 65,664 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dropout (Dropout) │ (None, 128) │ 0 │
|
|
├─────────────────────────────────┼────────────────────────┼───────────────┤
|
|
│ dense_1 (Dense) │ (None, 10) │ 1,290 │
|
|
└─────────────────────────────────┴────────────────────────┴───────────────┘
|
|
Total params: 160,202 (625.79 KB)
|
|
Trainable params: 160,202 (625.79 KB)
|
|
Non-trainable params: 0 (0.00 B)
|
|
```
|
|
|
|
```python
|
|
# компилируем и обучаем модель
|
|
batch_size = 64
|
|
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)
|
|
```
|
|
|
|
### 5) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных.
|
|
|
|
```python
|
|
# Оценка качества работы модели на тестовых данных
|
|
scores = model.evaluate(X_test, y_test)
|
|
print('Loss on test data:', scores[0])
|
|
print('Accuracy on test data:', scores[1])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
accuracy: 0.7221 - loss: 1.3448
|
|
Loss on test data: 1.3755847215652466
|
|
Accuracy on test data: 0.7161999940872192
|
|
```
|
|
|
|
### 6) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания.
|
|
|
|
```python
|
|
# вывод двух тестовых изображений и результатов распознавания
|
|
|
|
for n in [3,15]:
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n].reshape(32,32,3), cmap=plt.get_cmap('gray'))
|
|
plt.show()
|
|
print('Real mark: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
```
|
|
NN output: [[6.5008247e-14 2.3088744e-24 9.9999559e-01 1.2591926e-10 4.3790410e-06
|
|
3.5441555e-08 3.6621060e-14 1.2152020e-17 3.1557848e-24 7.1617705e-22]]
|
|
```
|
|
|
|
|
|
|
|
```
|
|
Real mark: 2
|
|
NN answer: 2
|
|
|
|
NN output: [[3.0706801e-02 1.1524949e-06 9.5588940e-01 1.4628977e-06 1.8517934e-05
|
|
2.2070046e-09 1.3382627e-02 7.1595925e-13 1.4458233e-07 3.5801229e-09]]
|
|
```
|
|
|
|
|
|
|
|
```
|
|
Real mark: 2
|
|
NN answer: 2
|
|
```
|
|
|
|
### 7) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.
|
|
|
|
```python
|
|
# истинные метки классов
|
|
true_labels = np.argmax(y_test, axis=1)
|
|
# предсказанные метки классов
|
|
predicted_labels = np.argmax(model.predict(X_test), axis=1)
|
|
|
|
# отчет о качестве классификации
|
|
print(classification_report(true_labels, predicted_labels, target_names=class_names))
|
|
# вычисление матрицы ошибок
|
|
conf_matrix = confusion_matrix(true_labels, predicted_labels)
|
|
# отрисовка матрицы ошибок в виде "тепловой карты"
|
|
fig, ax = plt.subplots(figsize=(6, 6))
|
|
disp = ConfusionMatrixDisplay(confusion_matrix=conf_matrix,display_labels=class_names)
|
|
disp.plot(ax=ax, xticks_rotation=45) # поворот подписей по X и приятная палитра
|
|
plt.tight_layout() # чтобы всё влезло
|
|
plt.show()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
|
|
|
|
|
|
|
|
## По результатам классификации датасета CIFAR-10 с использованием сверточной НС можно сделать вывод, что она достаточно хорошо справляется с поставленной задачей.
|
|
|
|
|
|
|
|
|