Родитель
87436c5e0b
Сommit
0c560f1294
@ -0,0 +1,583 @@
|
||||
# Отчет по лабораторной работе №1
|
||||
Ватьков Антон, Харисов Сергей, А-01-22
|
||||
|
||||
## 1. В среде GoogleColab создали блокнот(notebook.ipynb).
|
||||
```
|
||||
import os
|
||||
os.chdir('/content/drive/MyDrive/ColabNotebooks')
|
||||
```
|
||||
|
||||
* 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 в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали равным (4k–1)=7, где k–номер бригады. Вывести размерности полученных обучающих и тестовых массивов данных.
|
||||
|
||||
* 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('Shape of X train:', X_train.shape)
|
||||
print('Shape of y train:', y_train.shape)
|
||||
```
|
||||
|
||||
> Shape of X train: (60000, 28, 28)
|
||||
> Shape of y train: (60000,)
|
||||
|
||||
## 4. Вывод элементов обучающих данных
|
||||
|
||||
* Создаем subplot для 4 изображений
|
||||
```
|
||||
fig, axes = plt.subplots(1, 4, figsize=(10, 3))
|
||||
|
||||
for i in range(4):
|
||||
axes[i].imshow(X_train[i], cmap=plt.get_cmap('gray'))
|
||||
axes[i].set_title(f'Label: {y_train[i]}') # Добавляем метку как заголовок
|
||||
|
||||
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('Shape of transformed y_train:', y_train.shape)
|
||||
num_classes = y_train.shape[1]
|
||||
```
|
||||
|
||||
> Shape of transformed y_train: (60000, 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_1 = Sequential()
|
||||
```
|
||||
* 6.2. Добавляем первый(последний) слой
|
||||
```
|
||||
model_1.add(Dense(units=num_classes, input_dim = num_pixels, activation='softmax'))
|
||||
```
|
||||
* 6.3. компилируем модель
|
||||
```
|
||||
model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
```
|
||||
* вывод информации об архитектуре модели
|
||||
```
|
||||
print(model_1.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)
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1.fit(X_train, y_train, batch_size=512, validation_split=0.1, epochs=50)
|
||||
```
|
||||
##7.Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных
|
||||
|
||||
* 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()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
> accuracy: 0.8953 - loss: 0.3909
|
||||
> Loss on test data: 0.39573559165000916
|
||||
> Accuracy on test data: 0.8945000171661377
|
||||
|
||||
## 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='sigmoid'))
|
||||
model_1h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model_1h100.summary())
|
||||
```
|
||||
|
||||
>Model: "sequential_2"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_3 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_4 (Dense) │ (None, 10) │ 1,010 │
|
||||
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
||||
> Total params: 79,510 (310.59 KB)
|
||||
> Trainable params: 79,510 (310.59 KB)
|
||||
> Non-trainable params: 0 (0.00 B)
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1h100.fit(X_train, y_train, batch_size=1024, validation_split=0.1, epochs=500)
|
||||
```
|
||||
|
||||
* Выводим график функции 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()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0]) #значение функции ошибки
|
||||
print('Accuracy on test data:',scores[1]) #значение метрики качества
|
||||
```
|
||||
|
||||
> - accuracy: 0.9104 - loss: 0.3070
|
||||
>Loss on test data: 0.3079969584941864
|
||||
>Accuracy on test data: 0.9118000268936157
|
||||
|
||||
* 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='sigmoid'))
|
||||
model_1h300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
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)
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1h300.fit(X_train, y_train, batch_size=1024, validation_split=0.1, epochs=500)
|
||||
```
|
||||
|
||||
* Выводим график функции 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()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1h300.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
> - accuracy: 0.9069 - loss: 0.3160
|
||||
>Loss on test data: 0.31613972783088684
|
||||
>Accuracy on test data: 0.9088000059127808
|
||||
|
||||
* 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='sigmoid'))
|
||||
model_1h500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
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)
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1h500.fit(X_train, y_train, batch_size=1024, validation_split=0.1, epochs=500)
|
||||
```
|
||||
|
||||
* Выводим график функции 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()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1h500.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
> - accuracy: 0.9057 - loss: 0.3181
|
||||
>Loss on test data: 0.31842654943466187
|
||||
>Accuracy on test data: 0.9065999984741211
|
||||
|
||||
* Как мы видим, лучшая метрика получилась равной 0.9465000033378601 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='sigmoid'))
|
||||
model_1h100_2h50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model_1h100_2h50.summary())
|
||||
```
|
||||
|
||||
> Архитектура нейронной сети:
|
||||
>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)
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1h100_2h50.fit(X_train, y_train, batch_size=1024, validation_split=0.1, epochs=500)
|
||||
```
|
||||
|
||||
* 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('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1h100_2h50.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
> - accuracy: 0.8993 - loss: 0.3454
|
||||
>Lossontestdata: 0.34858080744743347
|
||||
>Accuracyontestdata: 0.901199996471405
|
||||
|
||||
* 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=100,activation='sigmoid'))
|
||||
model_1h100_2h100.add(Dense(units=num_classes, activation='sigmoid'))
|
||||
model_1h100_2h100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
|
||||
|
||||
print(model_1h100_2h100.summary())
|
||||
```
|
||||
|
||||
> Архитектура нейронной сети:
|
||||
>Model: "sequential_5"
|
||||
>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
|
||||
>┃ Layer (type) ┃ Output Shape ┃ Param # ┃
|
||||
>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
|
||||
>│ dense_10 (Dense) │ (None, 100) │ 78,500 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_11 (Dense) │ (None, 100) │ 10,100 │
|
||||
>├─────────────────────────────────┼────────────────────────┼───────────────┤
|
||||
>│ dense_12 (Dense) │ (None, 10) │ 1,010 │
|
||||
>└─────────────────────────────────┴────────────────────────┴───────────────┘
|
||||
> Total params: 89,610 (350.04 KB)
|
||||
> Trainable params: 89,610 (350.04 KB)
|
||||
> Non-trainable params: 0 (0.00 B) '
|
||||
|
||||
* Обучаем модель
|
||||
```
|
||||
H = model_1h100_2h100.fit(X_train, y_train, batch_size=1024, validation_split=0.1, epochs=500)
|
||||
```
|
||||
|
||||
* 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('Loss by epochs')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
|
||||
|
||||
```
|
||||
scores = model_1h100_2h100.evaluate(X_test, y_test)
|
||||
print('Loss on test data:', scores[0])
|
||||
print('Accuracy on test data:', scores[1])
|
||||
```
|
||||
|
||||
> - accuracy: 0.9014 - loss: 0.3374
|
||||
>Lossontestdata: 0.33766087889671326
|
||||
>Accuracyontestdata: 0.902400016784668
|
||||
|
||||
Количество Количество нейронов в Количество нейронов во Значение метрики
|
||||
скрытых слоев первом скрытом слое втором скрытом слое качества классификации
|
||||
0 - - 0.890999972820282
|
||||
1 100 - 0.9118000268936157
|
||||
1 300 - 0.9088000059127808
|
||||
1 500 - 0.9065999984741211
|
||||
2 100 50 0.901199996471405
|
||||
2 100 100 0.902400016784668
|
||||
|
||||
По результатам исследования видно, что модель без скрытых слоев показала себя хуже, чем модели, имеющие скрытые слои. В случае с 1 скрытым слоем лучший результат у модели со 100 нейронами в скрытом слое. При увеличении количества нейронов, качество классификации ухудшается, а время на обучение возрастает.
|
||||
|
||||
## 11. Сохранение наилучшей модели на диск
|
||||
```
|
||||
model_1h100.save('/content/drive/MyDrive/ColabNotebooks/best_model.keras')
|
||||
```
|
||||
|
||||
## 12. Вывод тестовых изображений и результатов распознаваний
|
||||
```
|
||||
n=123
|
||||
result = model_1h100.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('Realmark:', str(np.argmax(y_test[n])))
|
||||
print('NN answer:', str(np.argmax(result)))
|
||||
```
|
||||
|
||||
> NN output: [[0.66835254 0.09272018 0.81127024 0.21817371 0.3535489 0.9175721
|
||||
> 0.99955636 0.00149954 0.8021261 0.19185443]]
|
||||
|
||||
>Real mark: 6
|
||||
>NN answer: 6
|
||||
|
||||
```
|
||||
n=456
|
||||
result = model_1h100.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('Realmark:', str(np.argmax(y_test[n])))
|
||||
print('NN answer:', str(np.argmax(result)))
|
||||
```
|
||||
|
||||
> NN output: [[0.08515459 0.00697097 0.8648257 0.989508 0.1854792 0.2720432
|
||||
> 0.00732216 0.9988655 0.12480782 0.97128534]]
|
||||
|
||||
>Real mark: 7
|
||||
>NN answer: 7
|
||||
|
||||
## 12. Тестирование на собственных изображениях
|
||||
* загрузка 1 собственного изображения
|
||||
```
|
||||
from PIL import Image
|
||||
file_data = Image.open('2.png')
|
||||
file_data = file_data.convert('L') # перевод в градации серого
|
||||
test_img_2 = np.array(file_data)
|
||||
```
|
||||
|
||||
* вывод собственного изображения
|
||||
```
|
||||
plt.imshow(test_img_2, cmap = plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
* предобработка
|
||||
```
|
||||
test_img_2 = test_img_2 /255
|
||||
test_img_2 = test_img_2.reshape(1, num_pixels)
|
||||
```
|
||||
|
||||
* распознавание
|
||||
```
|
||||
result = model_1h100.predict(test_img_2)
|
||||
print('I think it is', np.argmax(result))
|
||||
```
|
||||
|
||||
|
||||
|
||||
> I think it's 2
|
||||
|
||||
* тест 2 изображения
|
||||
```
|
||||
file_data = Image.open('9.png')
|
||||
file_data = file_data.convert('L') # перевод в градации серого
|
||||
test_img_9 = np.array(file_data)
|
||||
|
||||
plt.imshow(test_img_9, cmap = plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
|
||||
test_img_9 = test_img_9 /255
|
||||
test_img_9 = test_img_9.reshape(1, num_pixels)
|
||||
|
||||
result = model_1h100.predict(test_img_9)
|
||||
print('I think it is', np.argmax(result))
|
||||
```
|
||||
|
||||
|
||||
|
||||
> I think it's 3
|
||||
|
||||
Сеть ошиблась только при распозновании второго изображения, но, глядя на вторую картинку, можно сказать, что она отдаленно напоминает тройку
|
||||
|
||||
## 14. Тестирование на собственных повернутых изображениях
|
||||
|
||||
* загрузка собственного изображения
|
||||
```
|
||||
file_data = Image.open('9_turn.png')
|
||||
file_data = file_data.convert('L') # перевод в градации серого
|
||||
test_img_9_turn = np.array(file_data)
|
||||
```
|
||||
|
||||
* вывод собственного изображения
|
||||
```
|
||||
plt.imshow(test_img_9_turn, cmap = plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
* предобработка
|
||||
```
|
||||
test_img_9_turn = test_img_9_turn /255
|
||||
test_img_9_turn = test_img_9_turn.reshape(1, num_pixels)
|
||||
```
|
||||
|
||||
* распознование
|
||||
```
|
||||
result = model_1h100.predict(test_img_9_turn)
|
||||
print('I think it is', np.argmax(result))
|
||||
```
|
||||
|
||||
|
||||
|
||||
> I think it's 1
|
||||
|
||||
* загрузка собственного изображения
|
||||
```
|
||||
file_data = Image.open('2_turn.png')
|
||||
file_data = file_data.convert('L') # перевод в градации серого
|
||||
test_img_2_turn = np.array(file_data)
|
||||
```
|
||||
|
||||
* вывод собственного изображения
|
||||
```
|
||||
plt.imshow(test_img_2_turn, cmap = plt.get_cmap('gray'))
|
||||
plt.show()
|
||||
```
|
||||
|
||||
* предобработка
|
||||
```
|
||||
test_img_2_turn = test_img_2_turn /255
|
||||
test_img_2_turn = test_img_2_turn.reshape(1, num_pixels)
|
||||
```
|
||||
|
||||
* распознование
|
||||
```
|
||||
result = model_1h100.predict(test_img_2_turn)
|
||||
print('I think it is', np.argmax(result))
|
||||
```
|
||||
|
||||
|
||||
|
||||
> I think it's 1
|
||||
|
||||
При повороте изображений сеть не распознала цифры правильно. Так как она не обучалась на повернутых изображениях.
|
||||
Загрузка…
Ссылка в новой задаче