Merge branch 'main' of http://uit.mpei.ru/git/KasimovA/KasimovNemykin

labworks/LW1/report.md

@@ -0,0 +1,610 @@
+# Отчет по лабораторной работе №1
+Касимов Азамат, Немыкин Никита, А-01-22
+
+## 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 = 27)
+```
+
+* 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()
+```
+
+![отображение элементов](1.png)
+
+## 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('Shape of transformed X train:', X_train.shape)
+```
+
+> Shape of transformed X train: (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()
+model_1.add(Dense(units=num_classes,input_dim=num_pixels, activation='softmax'))
+```
+* 6.2. компилируем модель
+```
+model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_1.summary()
+```
+
+> Архитектура нейронной сети:
+> 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
+```
+history = model_1.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history.history['loss'], label='Обучающая ошибка')
+plt.plot(history.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](2.png)
+
+## 7. Применение модели к тестовым данным
+```
+scores=model_1.evaluate(X_test,y_test)
+print('Lossontestdata:',scores[0])
+print('Accuracyontestdata:',scores[1])
+```
+
+> - accuracy: 0.9206 - loss: 0.2956
+>Lossontestdata: 0.2900226414203644
+>Accuracyontestdata: 0.9222000241279602 
+
+## 8. Добавили один скрытый слой и повторили п. 6-7 
+* при 100 нейронах в скрытом слое
+```
+model_2l_100 = Sequential()
+model_2l_100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model_2l_100.add(Dense(units=num_classes, activation='softmax'))
+
+model_2l_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_2l_100.summary()
+```
+
+> Архитектура нейронной сети:
+>Model: "sequential_9"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ 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) 
+
+* Обучаем модель
+```
+history_2l_100 = model_2l_100.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history_2l_100.history['loss'], label='Обучающая ошибка')
+plt.plot(history_2l_100.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](3.png)
+
+```
+scores_2l_100=model_2l_100.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_2l_100[0]) #значение функции ошибки
+print('Accuracyontestdata:',scores_2l_100[1]) #значение метрики качества
+```
+
+> - accuracy: 0.9436 - loss: 0.2091
+>Lossontestdata: 0.20427274703979492
+>Accuracyontestdata: 0.9438999891281128 '
+
+* при 300 нейронах в скрытом слое
+```
+model_2l_300 = Sequential()
+model_2l_300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
+model_2l_300.add(Dense(units=num_classes, activation='softmax'))
+
+model_2l_300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_2l_300.summary()
+```
+
+> Архитектура нейронной сети:
+>Model: "sequential_3"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_5 (Dense)                │ (None, 300)            │       235,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_6 (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
+```
+history_2l_300 = model_2l_300.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history_2l_300.history['loss'], label='Обучающая ошибка')
+plt.plot(history_2l_300.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](4.png)
+
+```
+scores_2l_300=model_2l_300.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_2l_300[0]) #значение функции ошибки
+print('Accuracyontestdata:',scores_2l_300[1]) #значение метрики качества
+```
+
+> - accuracy: 0.9365 - loss: 0.2352
+>Lossontestdata: 0.23040874302387238
+>Accuracyontestdata: 0.9372000098228455 
+
+* при 500 нейронах в скрытом слое
+```
+model_2l_500 = Sequential()
+model_2l_500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
+model_2l_500.add(Dense(units=num_classes, activation='softmax'))
+
+model_2l_500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_2l_500.summary()
+```
+
+> Архитектура нейронной сети:
+>Model: "sequential_4"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_7 (Dense)                │ (None, 500)            │       392,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_8 (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
+```
+history_2l_500 = model_2l_500.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history_2l_500.history['loss'], label='Обучающая ошибка')
+plt.plot(history_2l_500.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](5.png)
+
+```
+scores_2l_500=model_2l_500.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_2l_500[0]) #значение функции ошибки
+print('Accuracyontestdata:',scores_2l_500[1]) #значение метрики качества
+```
+
+> - accuracy: 0.9290 - loss: 0.2572
+>Lossontestdata: 0.25275251269340515
+>Accuracyontestdata: 0.9301000237464905 
+
+Как мы видим, лучшая метрика получилась равной 0.9438999891281128 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_3l_100_50 = Sequential()
+model_3l_100_50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
+model_3l_100_50.add(Dense(units=50, activation='sigmoid'))
+model_3l_100_50.add(Dense(units=num_classes, activation='softmax'))
+
+model_3l_100_50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_3l_100_50.summary()
+```
+
+>  Архитектура нейронной сети:
+>Model: "sequential_5"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_9 (Dense)                │ (None, 100)            │        78,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_10 (Dense)                │ (None, 50)             │         5,050 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_11 (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
+```
+history_3l_100_50 = model_3l_100_50.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history_3l_100_50.history['loss'], label='Обучающая ошибка')
+plt.plot(history_3l_100_50.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](6.png)
+
+```
+scores_3l_100_50=model_3l_100_50.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_3l_100_50[0])
+print('Accuracyontestdata:',scores_3l_100_50[1])
+```
+
+> - accuracy: 0.9423 - loss: 0.2074
+>Lossontestdata: 0.20320768654346466
+>Accuracyontestdata: 0.9427000284194946 
+
+* при 100 нейронах во втором скрытом слое
+```
+model_3l_100_100 = Sequential()
+model_3l_100_100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
+model_3l_100_100.add(Dense(units=100, activation='sigmoid'))
+model_3l_100_100.add(Dense(units=num_classes, activation='softmax'))
+
+model_3l_100_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print("Архитектура нейронной сети:")
+model_3l_100_100.summary()
+```
+
+> Архитектура нейронной сети:
+>Model: "sequential_6"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_12 (Dense)                │ (None, 100)            │        78,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_13 (Dense)                │ (None, 100)            │        10,100 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_14 (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
+```
+history_3l_100_100 = model_3l_100_100.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=50
+)
+```
+
+* Выводим график функции ошибки
+```
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(history_3l_100_100.history['loss'], label='Обучающая ошибка')
+plt.plot(history_3l_100_100.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Эпохи')
+plt.ylabel('Categorical Crossentropy')
+plt.legend()
+plt.grid(True)
+```
+
+![график функции ошибки](7.png)
+
+```
+scores_3l_100_100=model_3l_100_100.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_3l_100_100[0])
+print('Accuracyontestdata:',scores_3l_100_100[1])
+```
+
+> - accuracy: 0.9435 - loss: 0.2058
+>Lossontestdata: 0.2007063776254654
+>Accuracyontestdata: 0.9431999921798706 
+
+Количество	   Количество нейронов в	Количество нейронов во	Значение метрики
+скрытых слоев  первом скрытом слое      втором скрытом слое     качества классификации
+0	                     -	                      -	            0.9222000241279602
+1      	                100	                      -	            0.9438999891281128
+1	                    300	                      -	            0.9372000098228455
+1	                    500	                      -	            0.9301000237464905
+2	                    100	                      50	        0.9427000284194946
+2	                    100	                      100	        0.9431999921798706
+
+Наилучшую точность (0.9467999935150146) показала модель содержащая 100 нейронов в скрытом слое.
+
+## 11. Сохранение наилучшей модели на диск
+```
+model_2l_100.save(filepath='best_model.keras')
+```
+
+## 12. Вывод тестовых изображений и результатов распознаваний
+```
+n = 150
+result = model_2l_100.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)))
+```
+
+> NN output: [[3.86779779e-04 3.69515050e-08 2.03053992e-06 1.15266894e-05
+> 1.57332561e-05 4.79512411e-04 7.92529917e-08 9.95542467e-01
+> 1.50878295e-05 3.54681048e-03]]
+![alt text](8.png)
+>Real mark:  7
+>NN answer:  7 
+
+```
+n = 810
+result = model_2l_100.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)))
+```
+
+> NN output: [[8.1927046e-06 9.8501807e-01 4.7102575e-03 1.5754283e-03 5.3024664e-06
+> 2.3075400e-03 6.3471968e-04 7.6599965e-05 5.5682263e-03 9.5791329e-05]]
+![alt text](9.png)
+>Real mark:  1
+>NN answer:  1 '
+
+## 12. Тестирование на собственных изображениях
+* загрузка 1 собственного изображения
+```
+from PIL import Image 
+file_1_data = Image.open('ИИЛР1_6.png')
+file_1_data = file_1_data.convert('L') #перевод в градации серого 
+test_1_img = np.array(file_1_data)
+```
+
+* вывод собственного изображения
+```
+plt.imshow(test_1_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![6 изображение](10.png)
+
+* предобработка
+```
+test_1_img = test_1_img / 255
+test_1_img = test_1_img.reshape(1, num_pixels)
+```
+
+* распознавание
+```
+result_1 = model_2l_100.predict(test_1_img)
+print('I think it\'s', np.argmax(result_1))
+```
+> I think it's 6 
+
+* тест 2 изображения
+```
+file_2_data = Image.open('ИИЛР1_1.png')
+file_2_data = file_2_data.convert('L') #перевод в градации серого 
+test_2_img = np.array(file_2_data)
+
+plt.imshow(test_2_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![1 изображение](11.png)
+
+```
+test_2_img = test_2_img / 255
+test_2_img = test_2_img.reshape(1, num_pixels)
+
+result_2 = model.predict(test_2_img)
+print('I think it\'s', np.argmax(result_2))
+```
+
+> I think it's 1 
+
+Сеть не ошиблась и корректно распознала обе цифры на изображениях
+
+## 14. Тестирование на собственных повернутых изображениях
+```
+file_190_data = Image.open('ИИЛР1_690.png')
+file_190_data = file_190_data.convert('L') #перевод в градации серого 
+test_190_img = np.array(file_190_data)
+
+plt.imshow(test_190_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![alt text](690.png)
+
+```
+test_190_img = test_190_img / 255
+test_190_img = test_190_img.reshape(1, num_pixels)
+
+result_190 = model_2l_100.predict(test_190_img)
+print('I think it\'s', np.argmax(result_190))
+```
+
+> I think it's 2 
+
+```
+file_290_data = Image.open('ИИЛР1_190.png')
+file_290_data = file_290_data.convert('L') #перевод в градации серого 
+test_290_img = np.array(file_290_data)
+
+plt.imshow(test_290_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![alt text](190.png)
+
+```
+test_290_img = test_290_img / 255
+test_290_img = test_290_img.reshape(1, num_pixels)
+
+result_290 = model.predict(test_290_img)
+print('I think it\'s', np.argmax(result_290))
+```
+
+> I think it's 4 
+
+При повороте изображений сеть не распознала цифры правильно. Так как она не обучалась на повернутых изображениях.

labworks/LW2/report.md

@@ -0,0 +1,688 @@
+# Отчёт по лабораторной работе №2
+
+**Касимов Азамат, Немыкин Никита — А-01-22**
+
+---
+
+## Задание 1
+
+### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки и модули.
+
+```python
+# импорт модулей
+import os
+os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab2')
+```
+
+```python
+import lab02_lib as lib
+```
+
+### 2) Сгенерировали индивидуальный набор двумерных данных в пространстве признаков с координатами центра (6, 6), где 6 – номер бригады. Вывели полученные данные на рисунок и в консоль.
+
+```python
+# генерация датасета
+data = lib.datagen(6, 6, 1000, 2)
+
+# вывод данных и размерности
+print('Исходные данные:')
+print(data)
+print('Размерность данных:')
+print(data.shape)
+```
+
+![o](images/1.png)
+
+```output
+Исходные данные:
+[[5.85155463 5.90866047]
+ [5.89835027 5.87217268]
+ [5.95502834 6.13788939]
+ ...
+ [5.97194799 6.15187645]
+ [6.24367408 6.18137502]
+ [6.04890409 6.24554664]]
+Размерность данных:
+(1000, 2)
+```
+
+### 3) Создали и обучили автокодировщик AE1 простой архитектуры, выбрав небольшое количество эпох обучения. Зафиксировали в таблице вида табл.1 количество скрытых слоёв и нейронов в них
+
+```python
+# обучение AE1
+patience = 300
+ae1_trained, IRE1, IREth1 = lib.create_fit_save_ae(data,'out/AE1.h5','out/AE1_ire_th.txt',
+1000, True, patience)
+```
+
+
+4) Зафиксировали ошибку MSE, на которой обучение завершилось. Построили график ошибки реконструкции обучающей выборки. Зафиксировали порог ошибки реконструкции – порог обнаружения аномалий.
+
+Ошибка MSE_AE1 = 16.0985
+
+```python
+# Построение графика ошибки реконструкции
+lib.ire_plot('training', IRE1, IREth1, 'AE1')
+```
+
+![o](images/2.png)
+
+### 5) Создали и обучили второй автокодировщик AE2 с усложненной архитектурой, задав большее количество эпох обучения
+
+```python
+# обучение AE2
+ae2_trained, IRE2, IREth2 = lib.create_fit_save_ae(data,'out/AE2.h5','out/AE2_ire_th.txt',
+3000, True, patience)
+```
+
+### 6) Зафиксировали ошибку MSE, на которой обучение завершилось. Построили график ошибки реконструкции обучающей выборки. Зафиксировали второй порог ошибки реконструкции – порог обнаружения аномалий.
+
+Ошибка MSE_AE2 = 0.0112
+
+```python
+# Построение графика ошибки реконструкции
+lib.ire_plot('training', IRE2, IREth2, 'AE2')
+```
+
+![o](images/3.png)
+
+### 7) Рассчитали характеристики качества обучения EDCA для AE1 и AE2. Визуализировали и сравнили области пространства признаков, распознаваемые автокодировщиками AE1 и AE2. Сделали вывод о пригодности AE1 и AE2 для качественного обнаружения аномалий.
+
+```python
+# построение областей покрытия и границ классов
+# расчет характеристик качества обучения
+numb_square = 20
+xx, yy, Z1 = lib.square_calc(numb_square, data, ae1_trained, IREth1, '1', True)
+```
+![o](images/4.png)
+
+```output
+amount:  21
+amount_ae:  301
+```
+
+![o](images/5.png)
+
+![o](images/6.png)
+
+```output
+
+Оценка качества AE1
+IDEAL = 0. Excess:  13.333333333333334
+IDEAL = 0. Deficit:  0.0
+IDEAL = 1. Coating:  1.0
+summa:  1.0
+IDEAL = 1. Extrapolation precision (Approx):  0.06976744186046512
+```
+
+```python
+# построение областей покрытия и границ классов
+# расчет характеристик качества обучения
+numb_square = 20
+xx, yy, Z2 = lib.square_calc(numb_square, data, ae2_trained, IREth2, '2', True)
+```
+
+![o](images/7.png)
+
+```output
+amount:  21
+amount_ae:  36
+```
+
+![o](images/8.png)
+
+![o](images/9.png)
+
+```output
+
+Оценка качества AE2
+IDEAL = 0. Excess:  0.7142857142857143
+IDEAL = 0. Deficit:  0.0
+IDEAL = 1. Coating:  1.0
+summa:  1.0
+IDEAL = 1. Extrapolation precision (Approx):  0.5833333333333335
+```
+
+```python
+# сравнение характеристик качества обучения и областей аппроксимации
+lib.plot2in1(data, xx, yy, Z1, Z2)
+```
+
+![o](images/10.png)
+
+### 8) Если автокодировщик AE2 недостаточно точно аппроксимирует область обучающих данных, то подобрать подходящие параметры автокодировщика и повторить шаги (6) – (8).
+
+Полученные показатели EDCA для автокодировщика AE2 нас устраивают.
+
+### 9) Изучили сохраненный набор данных и пространство признаков. Создали тестовую выборку, состоящую, как минимум, из 4ёх элементов, не входящих в обучающую выборку. Элементы должны быть такими, чтобы AE1 распознавал их как норму, а AE2 детектировал как аномалии.
+
+```python
+# загрузка тестового набора
+data_test = np.loadtxt('data_test.txt', dtype=float)
+print(data_test)
+```
+
+```output
+[[4.85155463 4.90866047]
+ [4.89835027 4.87217268]
+ [4.95502834 4.13788939]
+ [4.9958611  4.8697867 ]]
+```
+
+### 10) Применили обученные автокодировщики AE1 и AE2 к тестовым данным и вывели значения ошибки реконструкции для каждого элемента тестовой выборки относительно порога на график и в консоль.
+
+```python
+# тестирование АE1
+predicted_labels1, ire1 = lib.predict_ae(ae1_trained, data_test, IREth1)
+```
+
+```python
+# тестирование АE1
+lib.anomaly_detection_ae(predicted_labels1, ire1, IREth1)
+lib.ire_plot('test', ire1, IREth1, 'AE1')
+```
+
+```output
+Аномалий не обнаружено
+```
+
+![o](images/11.png)
+
+```python
+# тестирование АE2
+predicted_labels2, ire2 = lib.predict_ae(ae2_trained, data_test, IREth2)
+```
+
+```python
+# тестирование АE2
+lib.anomaly_detection_ae(predicted_labels2, ire2, IREth2)
+lib.ire_plot('test', ire2, IREth2, 'AE2')
+```
+
+```output
+
+i         Labels    IRE       IREth     
+0         [1.]      [1.48]    0.44      
+1         [1.]      [1.47]    0.44      
+2         [1.]      [2.04]    0.44      
+3         [1.]      [1.41]    0.44      
+Обнаружено  4.0  аномалий
+```
+
+![o](images/12.png)
+
+### 11) Визуализировали элементы обучающей и тестовой выборки в областях пространства признаков, распознаваемых автокодировщиками AE1 и AE2.
+
+```python
+lib.plot2in1_anomaly(data, xx, yy, Z1, Z2, data_test)
+```
+
+![o](images/13.png)
+
+### 12) Результаты исследования занесли в таблицу:
+Табл. 1 Результаты задания №1
+
+|      | Количество<br>скрытых слоев | Количество<br>нейронов в скрытых слоях | Количество<br>эпох обучения | Ошибка<br>MSE_stop | Порог ошибки<br>реконструкции | Значение показателя<br>Excess | Значение показателя<br>Approx | Количество обнаруженных<br>аномалий |
+|-----:|------------------------------|----------------------------------------|-----------------------------|--------------------|-------------------------------|-------------------------------|--------------------------------|-------------------------------------|
+| AE1  | 1                            | 1                            | 1000                        | 16.0985             | 6                         | 13.333333333333334                          | 0.06976744186046512                           | 0                                   |
+| AE2  | 5                            | 3,2,1,2,3                                | 3000                          | 0.0112             | 0.44                         | 0.7142857142857143                          | 0.5833333333333335                           | 4                                   |
+
+### 13) Сделали выводы о требованиях к:
+- данным для обучения,
+- архитектуре автокодировщика,
+- количеству эпох обучения,
+- ошибке MSE_stop, приемлемой для останова обучения,
+- ошибке реконструкции обучающей выборки (порогу обнаружения
+аномалий),
+- характеристикам качества обучения EDCA одноклассового
+классификатора
+
+для качественного обнаружения аномалий в данных.
+
+1) Данные для обучения должны быть без аномалий, чтобы автокодировщик смог рассчитать верное пороговое значение
+2) Архитектура автокодировщика должна постепенно сужатся к бутылочному горлышку,а затем постепенно возвращатся к исходным выходным размерам, кол-во скрытых слоев 3-5
+3) В рамках данного набора данных оптимальное кол-во эпох 3000 с patience 300 эпох
+4) Оптимальная ошибка MSE-stop в районе 0.01, желательно не меньше для предотвращения переобучения
+5) Значение порога в районе 0.45
+6) Значение Excess не больше 0.75, значение Deficit равное 0, значение Coating равное 1, значение Approx не меньше 0.58
+
+## Задание 2
+
+### 1) Изучить описание своего набора реальных данных, что он из себя представляет
+
+Бригада 6 => набор данных Cardio. Это реальный набор данных, который состоит из измерений частоты сердечных сокращений плода и
+сокращений матки на кардиотокограммах, классифицированных экспертами
+акушерами. Исходный набор данных предназначен для классификации. В нем
+представлено 3 класса: «норма», «подозрение» и «патология». Для обнаружения
+аномалий класс «норма» принимается за норму, класс «патология» принимается за
+аномалии, а класс «подозрение» был отброшен.
+
+| Количество<br>признаков | Количество<br>примеров | Количество<br>нормальных примеров | Количество<br>аномальных примеров |
+|-------------------------:|-----------------------:|----------------------------------:|-----------------------------------:|
+| 21                       | 1764                   | 1655                               | 109                                |
+
+### 2) Загрузить многомерную обучающую выборку реальных данных Cardio.txt.
+
+```python
+# загрузка обчуающей выборки
+train = np.loadtxt('cardio_train.txt', dtype=float)
+```
+
+### 3) Вывести полученные данные и их размерность в консоли.
+
+```python
+print('train:\n', train)
+print('train.shape:', np.shape(train))
+```
+
+```output
+train:
+ [[ 0.00491231  0.69319077 -0.20364049 ...  0.23149795 -0.28978574
+  -0.49329397]
+ [ 0.11072935 -0.07990259 -0.20364049 ...  0.09356344 -0.25638541
+  -0.49329397]
+ [ 0.21654639 -0.27244466 -0.20364049 ...  0.02459619 -0.25638541
+   1.1400175 ]
+ ...
+ [ 0.85144861 -0.91998844 -0.20364049 ...  0.57633422 -0.65718941
+   1.1400175 ]
+ [ 0.85144861 -0.91998844 -0.20364049 ...  0.57633422 -0.62378908
+  -0.49329397]
+ [ 1.0630827  -0.51148142 -0.16958144 ...  0.57633422 -0.65718941
+  -0.49329397]]
+train.shape: (1654, 21)
+```
+
+### 4) Создать и обучить автокодировщик с подходящей для данных архитектурой. Выбрать необходимое количество эпох обучения.
+
+```python
+# **kwargs
+# verbose_every_n_epochs - отображать прогресс каждые N эпох (по умолчанию - 1000)
+# early_stopping_delta - дельта для ранней остановки (по умолчанию - 0.01)
+# early_stopping_value = значение для ранней остановки (по умолчанию -  0.0001)
+
+from time import time
+
+patience = 4000
+start = time()
+ae3_v1_trained, IRE3_v1, IREth3_v1 = lib.create_fit_save_ae(train,'out/AE3_V1.h5','out/AE3_v1_ire_th.txt',
+100000, False, patience, early_stopping_delta = 0.001)
+print("Время на обучение: ", time() - start)
+```
+
+
+```output
+
+Время на обучение:  1232.8548789024353
+```
+
+### 5) Зафиксировать ошибку MSE, на которой обучение завершилось. Построить график ошибки реконструкции обучающей выборки. Зафиксировать порог ошибки реконструкции – порог обнаружения аномалий.
+
+Скрытых слоев 7, нейроны: 46->26->14->10->14->26->48
+
+Ошибка MSE_AE3_v1 = 0.0137
+
+```python
+lib.ire_plot('training', IRE3_v1, IREth3_v1, 'AE3_v1')
+```
+
+![o](images/14.png)
+
+### 6) Сделать вывод о пригодности обученного автокодировщика для качественного обнаружения аномалий. Если порог ошибки реконструкции слишком велик, то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (6).
+
+```python
+# **kwargs
+# verbose_every_n_epochs - отображать прогресс каждые N эпох (по умолчанию - 1000)
+# early_stopping_delta - дельта для ранней остановки (по умолчанию - 0.01)
+# early_stopping_value = значение для ранней остановки (по умолчанию -  0.0001)
+
+from time import time
+
+patience = 4000
+start = time()
+ae3_v2_trained, IRE3_v2, IREth3_v2 = lib.create_fit_save_ae(train,'out/AE3_V2.h5','out/AE3_v2_ire_th.txt',
+100000, False, patience, early_stopping_delta = 0.001)
+print("Время на обучение: ", time() - start)
+```
+
+```output
+
+Время на обучение:  1298.1322848796844
+```
+
+Скрытых слоев 11, нейроны: 48->36->28->22->16->12->16->22->28->36->48
+
+Ошибка MSE_AE3_v1 = 0.0077
+
+```python
+# Построение графика ошибки реконструкции
+lib.ire_plot('training', IRE3_v2, IREth3_v2, 'AE3_v2')
+```
+
+![o](images/15.png)
+
+### 7) Изучить и загрузить тестовую выборку Cardio.txt.
+
+```python
+#загрузка тестовой выборки
+test = np.loadtxt('cardio_test.txt', dtype=float)
+print('\n test:\n', test)
+print('test.shape:', np.shape(test))
+```
+
+```output
+
+ test:
+ [[ 0.21654639 -0.65465178 -0.20364049 ... -2.0444214   4.987467
+  -0.49329397]
+ [ 0.21654639 -0.5653379  -0.20364049 ... -2.1133887   6.490482
+  -0.49329397]
+ [-0.3125388  -0.91998844  6.9653692  ... -1.1478471   3.9186563
+  -0.49329397]
+ ...
+ [-0.41835583 -0.91998844 -0.16463485 ... -1.4926834   0.24461959
+  -0.49329397]
+ [-0.41835583 -0.91998844 -0.15093411 ... -1.4237162   0.14441859
+  -0.49329397]
+ [-0.41835583 -0.91998844 -0.20364049 ... -1.2857816   3.5846529
+  -0.49329397]]
+test.shape: (109, 21)
+```
+
+### 8) Подать тестовую выборку на вход обученного автокодировщика для обнаружения аномалий. Вывести график ошибки реконструкции элементов тестовой выборки относительно порога.
+
+```python
+# тестирование АE3
+predicted_labels3_v1, ire3_v1 = lib.predict_ae(ae3_v1_trained, test, IREth3_v1)
+```
+
+```python
+# Построение графика ошибки реконструкции
+lib.ire_plot('test', ire3_v1, IREth3_v1, 'AE3_v1')
+```
+
+![o](images/16.png)
+
+```python
+# тестирование АE3
+predicted_labels3_v2, ire3_v2 = lib.predict_ae(ae3_v2_trained, test, IREth3_v2)
+```
+
+```python
+# Построение графика ошибки реконструкции
+lib.ire_plot('test', ire3_v2, IREth3_v2, 'AE3_v2')
+```
+
+![o](images/17.png)
+
+```python
+# тестирование АE1
+lib.anomaly_detection_ae(predicted_labels3_v1, IRE3_v1, IREth3_v1)
+```
+
+```output
+
+i         Labels    IRE       IREth     
+0         [1.]      0.62      1.82      
+1         [1.]      0.81      1.82      
+2         [1.]      0.68      1.82      
+3         [1.]      0.68      1.82      
+4         [1.]      1.14      1.82      
+5         [1.]      0.64      1.82      
+6         [1.]      0.84      1.82      
+7         [1.]      0.87      1.82      
+8         [1.]      0.51      1.82      
+9         [1.]      0.46      1.82      
+10        [1.]      0.5       1.82      
+11        [1.]      0.67      1.82      
+12        [1.]      0.74      1.82      
+13        [1.]      0.9       1.82      
+14        [1.]      0.66      1.82      
+15        [1.]      1.33      1.82      
+16        [1.]      0.66      1.82      
+17        [1.]      0.5       1.82      
+18        [1.]      0.64      1.82      
+19        [1.]      0.5       1.82      
+20        [1.]      0.4       1.82      
+21        [1.]      0.49      1.82      
+22        [1.]      0.43      1.82      
+23        [1.]      0.61      1.82      
+24        [1.]      0.43      1.82      
+25        [1.]      0.98      1.82      
+26        [1.]      0.49      1.82      
+27        [1.]      0.92      1.82      
+28        [1.]      0.91      1.82      
+29        [0.]      0.41      1.82      
+30        [1.]      0.55      1.82      
+31        [1.]      0.55      1.82      
+32        [1.]      0.58      1.82      
+33        [1.]      0.39      1.82      
+34        [1.]      0.73      1.82      
+35        [1.]      0.4       1.82      
+36        [1.]      0.22      1.82      
+37        [1.]      0.62      1.82      
+38        [0.]      0.36      1.82      
+39        [0.]      0.31      1.82      
+40        [0.]      0.38      1.82      
+41        [0.]      0.5       1.82      
+42        [1.]      0.84      1.82      
+43        [1.]      0.38      1.82      
+44        [1.]      1.03      1.82      
+45        [1.]      0.3       1.82      
+46        [1.]      0.3       1.82      
+47        [1.]      0.8       1.82      
+48        [0.]      0.67      1.82      
+49        [1.]      0.6       1.82      
+50        [1.]      0.59      1.82      
+51        [1.]      0.66      1.82      
+52        [1.]      0.71      1.82      
+53        [1.]      0.48      1.82      
+54        [0.]      0.25      1.82      
+55        [1.]      0.95      1.82      
+56        [1.]      0.33      1.82      
+57        [1.]      0.6       1.82      
+58        [1.]      0.6       1.82      
+59        [1.]      0.71      1.82      
+60        [1.]      0.39      1.82      
+61        [0.]      0.33      1.82      
+62        [0.]      0.57      1.82      
+63        [0.]      0.93      1.82      
+64        [0.]      0.78      1.82      
+65        [0.]      0.4       1.82      
+66        [1.]      0.44      1.82      
+67        [1.]      0.71      1.82      
+68        [1.]      0.57      1.82      
+69        [1.]      0.32      1.82      
+70        [1.]      0.27      1.82      
+71        [1.]      0.47      1.82      
+72        [1.]      0.62      1.82      
+73        [1.]      0.46      1.82      
+74        [1.]      0.61      1.82      
+75        [1.]      1.2       1.82      
+76        [1.]      0.38      1.82      
+77        [1.]      1.46      1.82      
+78        [1.]      0.58      1.82      
+79        [1.]      0.92      1.82      
+80        [1.]      0.51      1.82      
+81        [1.]      0.9       1.82      
+82        [1.]      0.99      1.82      
+83        [1.]      0.56      1.82      
+84        [1.]      0.55      1.82      
+85        [1.]      0.58      1.82      
+86        [1.]      0.76      1.82      
+87        [1.]      0.65      1.82      
+88        [1.]      0.34      1.82      
+89        [1.]      0.98      1.82      
+90        [1.]      0.52      1.82      
+91        [1.]      0.22      1.82      
+92        [1.]      0.57      1.82      
+93        [1.]      0.46      1.82      
+94        [1.]      0.29      1.82      
+95        [1.]      0.37      1.82      
+96        [1.]      0.38      1.82      
+97        [1.]      0.51      1.82      
+98        [1.]      0.54      1.82      
+99        [1.]      0.61      1.82      
+100       [1.]      0.47      1.82      
+101       [1.]      0.57      1.82      
+102       [1.]      0.48      1.82      
+103       [1.]      0.46      1.82      
+104       [1.]      0.45      1.82      
+105       [1.]      0.43      1.82      
+106       [1.]      0.19      1.82      
+107       [1.]      0.24      1.82      
+108       [1.]      0.71      1.82      
+Обнаружено  97.0  аномалий
+```
+
+Для AE3_v1 точность составляет 92%
+
+```python
+# тестирование АE2
+lib.anomaly_detection_ae(predicted_labels3_v2, IRE3_v2, IREth3_v2)
+```
+
+```output
+
+i         Labels    IRE       IREth     
+0         [1.]      0.37      1.15      
+1         [1.]      0.43      1.15      
+2         [1.]      0.36      1.15      
+3         [1.]      0.57      1.15      
+4         [1.]      1.03      1.15      
+5         [1.]      0.37      1.15      
+6         [1.]      0.56      1.15      
+7         [1.]      0.6       1.15      
+8         [1.]      0.5       1.15      
+9         [1.]      0.5       1.15      
+10        [1.]      0.28      1.15      
+11        [1.]      0.57      1.15      
+12        [1.]      0.69      1.15      
+13        [1.]      0.54      1.15      
+14        [1.]      0.89      1.15      
+15        [1.]      0.48      1.15      
+16        [1.]      0.4       1.15      
+17        [1.]      0.48      1.15      
+18        [1.]      0.37      1.15      
+19        [1.]      0.18      1.15      
+20        [1.]      0.48      1.15      
+21        [1.]      0.31      1.15      
+22        [1.]      0.39      1.15      
+23        [1.]      0.52      1.15      
+24        [1.]      0.35      1.15      
+25        [1.]      0.62      1.15      
+26        [1.]      0.28      1.15      
+27        [1.]      0.44      1.15      
+28        [1.]      0.53      1.15      
+29        [0.]      0.38      1.15      
+30        [1.]      0.24      1.15      
+31        [1.]      0.6       1.15      
+32        [1.]      0.25      1.15      
+33        [1.]      0.18      1.15      
+34        [1.]      0.47      1.15      
+35        [1.]      0.25      1.15      
+36        [1.]      0.13      1.15      
+37        [1.]      0.38      1.15      
+38        [0.]      0.21      1.15      
+39        [0.]      0.21      1.15      
+40        [0.]      0.28      1.15      
+41        [1.]      0.51      1.15      
+42        [1.]      0.67      1.15      
+43        [1.]      0.2       1.15      
+44        [1.]      0.67      1.15      
+45        [1.]      0.31      1.15      
+46        [1.]      0.31      1.15      
+47        [1.]      0.25      1.15      
+48        [1.]      0.25      1.15      
+49        [1.]      0.29      1.15      
+50        [1.]      0.28      1.15      
+51        [1.]      0.31      1.15      
+52        [1.]      0.41      1.15      
+53        [1.]      0.35      1.15      
+54        [0.]      0.19      1.15      
+55        [1.]      0.43      1.15      
+56        [1.]      0.25      1.15      
+57        [1.]      0.52      1.15      
+58        [1.]      0.61      1.15      
+59        [1.]      0.49      1.15      
+60        [1.]      0.39      1.15      
+61        [0.]      0.31      1.15      
+62        [0.]      0.42      1.15      
+63        [0.]      0.47      1.15      
+64        [0.]      0.57      1.15      
+65        [0.]      0.21      1.15      
+66        [1.]      0.37      1.15      
+67        [1.]      0.58      1.15      
+68        [1.]      0.19      1.15      
+69        [1.]      0.34      1.15      
+70        [1.]      0.18      1.15      
+71        [1.]      0.26      1.15      
+72        [1.]      0.3       1.15      
+73        [1.]      0.3       1.15      
+74        [1.]      0.51      1.15      
+75        [1.]      0.51      1.15      
+76        [1.]      0.22      1.15      
+77        [1.]      1.05      1.15      
+78        [1.]      0.36      1.15      
+79        [1.]      0.81      1.15      
+80        [1.]      0.38      1.15      
+81        [1.]      0.56      1.15      
+82        [1.]      0.55      1.15      
+83        [1.]      0.3       1.15      
+84        [1.]      0.44      1.15      
+85        [1.]      0.37      1.15      
+86        [1.]      0.43      1.15      
+87        [1.]      0.39      1.15      
+88        [1.]      0.27      1.15      
+89        [1.]      0.74      1.15      
+90        [1.]      0.44      1.15      
+91        [1.]      0.2       1.15      
+92        [1.]      0.45      1.15      
+93        [1.]      0.24      1.15      
+94        [1.]      0.25      1.15      
+95        [1.]      0.41      1.15      
+96        [1.]      0.43      1.15      
+97        [1.]      0.35      1.15      
+98        [1.]      0.41      1.15      
+99        [1.]      0.42      1.15      
+100       [1.]      0.5       1.15      
+101       [1.]      0.42      1.15      
+102       [1.]      0.47      1.15      
+103       [1.]      0.49      1.15      
+104       [1.]      0.29      1.15      
+105       [1.]      0.14      1.15      
+106       [1.]      0.16      1.15      
+107       [1.]      0.13      1.15      
+108       [1.]      0.73      1.15      
+Обнаружено  99.0  аномалий
+```
+
+Для AE3_v2 точность составляет 92%
+
+### 9) Если результаты обнаружения аномалий не удовлетворительные (обнаружено менее 70% аномалий), то подобрать подходящие параметры автокодировщика и повторить шаги (4) – (9)
+
+Результаты обнаружения аномалий удовлетворены.
+
+### 10) Параметры наилучшего автокодировщика и результаты обнаружения аномалий занести в таблицу:
+Табл. 2 Результаты задания №2
+
+| Dataset name | Количество<br>скрытых слоев | Количество<br>нейронов в скрытых слоях | Количество<br>эпох обучения | Ошибка<br>MSE_stop | Порог ошибки<br>реконструкции | % обнаруженных<br>аномалий |
+|:-------------|:-----------------------------|:----------------------------------------|:-----------------------------|:-------------------|:-------------------------------|:---------------------------|
+| Cardio       | 11                             | 48, 36, 28, 22, 16, 10, 16, 22, 28, 36, 48              | 100000                      | 0.0077              | 1                           | 99%                      |
+
+### 11) Сделать выводы о требованиях к:
+- данным для обучения,
+- архитектуре автокодировщика,  
+- количеству эпох обучения,
+- ошибке MSE_stop, приемлемой для останова обучения,
+- ошибке реконструкции обучающей выборки (порогу обнаружения
+аномалий)
+
+для качественного обнаружения аномалий в случае, когда размерность
+пространства признаков высока.
+
+1) Данные для обучения должны быть без аномалий, чтобы автокодировщик смог рассчитать верное пороговое значение
+2) Архитектура автокодировщика должна постепенно сужатся к бутылочному горлышку,а затем постепенно возвращатся к исходным выходным размерам, кол-во скрытых слоев 7-11.
+3) В рамках данного набора данных оптимальное кол-во эпох 100000 с patience 4000 эпох
+4) Оптимальная ошибка MSE-stop в районе 0.001, желательно не меньше для предотвращения переобучения
+5) Значение порога 1 - идеальное

labworks/LW3/lab3.ipynb

@@ -0,0 +1,717 @@
+{
+  "nbformat": 4,
+  "nbformat_minor": 0,
+  "metadata": {
+    "colab": {
+      "provenance": [],
+      "gpuType": "T4"
+    },
+    "kernelspec": {
+      "name": "python3",
+      "display_name": "Python 3"
+    },
+    "language_info": {
+      "name": "python"
+    },
+    "accelerator": "GPU"
+  },
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "source": [
+        "## Задание 1"
+      ],
+      "metadata": {
+        "id": "oZs0KGcz01BY"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки и модули."
+      ],
+      "metadata": {
+        "id": "gz18QPRz03Ec"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# импорт модулей\n",
+        "import os\n",
+        "os.chdir('/content/drive/MyDrive/Colab Notebooks/is_lab3')\n",
+        "\n",
+        "from tensorflow import keras\n",
+        "from tensorflow.keras import layers\n",
+        "from tensorflow.keras.models import Sequential\n",
+        "import matplotlib.pyplot as plt\n",
+        "import numpy as np\n",
+        "from sklearn.metrics import classification_report, confusion_matrix\n",
+        "from sklearn.metrics import ConfusionMatrixDisplay"
+      ],
+      "metadata": {
+        "id": "mr9IszuQ1ANG"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 2) Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.  "
+      ],
+      "metadata": {
+        "id": "FFRtE0TN1AiA"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# загрузка датасета\n",
+        "from keras.datasets import mnist\n",
+        "(X_train, y_train), (X_test, y_test) = mnist.load_data()"
+      ],
+      "metadata": {
+        "id": "Ixw5Sp0_1A-w"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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=6 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных."
+      ],
+      "metadata": {
+        "id": "aCo_lUXl1BPV"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# создание своего разбиения датасета\n",
+        "from sklearn.model_selection import train_test_split\n",
+        "\n",
+        "# объединяем в один набор\n",
+        "X = np.concatenate((X_train, X_test))\n",
+        "y = np.concatenate((y_train, y_test))\n",
+        "\n",
+        "# разбиваем по вариантам\n",
+        "X_train, X_test, y_train, y_test = train_test_split(X, y,\n",
+        "                                                    test_size = 10000,\n",
+        "                                                    train_size = 60000,\n",
+        "                                                    random_state = 23)\n",
+        "# вывод размерностей\n",
+        "print('Shape of X train:', X_train.shape)\n",
+        "print('Shape of y train:', y_train.shape)\n",
+        "print('Shape of X test:', X_test.shape)\n",
+        "print('Shape of y test:', y_test.shape)"
+      ],
+      "metadata": {
+        "id": "BrSjcpEe1BeV"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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."
+      ],
+      "metadata": {
+        "id": "4hclnNaD1BuB"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# Зададим параметры данных и модели\n",
+        "num_classes = 10\n",
+        "input_shape = (28, 28, 1)\n",
+        "\n",
+        "# Приведение входных данных к диапазону [0, 1]\n",
+        "X_train = X_train / 255\n",
+        "X_test = X_test / 255\n",
+        "\n",
+        "# Расширяем размерность входных данных, чтобы каждое изображение имело\n",
+        "# размерность (высота, ширина, количество каналов)\n",
+        "\n",
+        "X_train = np.expand_dims(X_train, -1)\n",
+        "X_test = np.expand_dims(X_test, -1)\n",
+        "print('Shape of transformed X train:', X_train.shape)\n",
+        "print('Shape of transformed X test:', X_test.shape)\n",
+        "\n",
+        "# переведем метки в one-hot\n",
+        "y_train = keras.utils.to_categorical(y_train, num_classes)\n",
+        "y_test = keras.utils.to_categorical(y_test, num_classes)\n",
+        "print('Shape of transformed y train:', y_train.shape)\n",
+        "print('Shape of transformed y test:', y_test.shape)"
+      ],
+      "metadata": {
+        "id": "xJH87ISq1B9h"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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."
+      ],
+      "metadata": {
+        "id": "7x99O8ig1CLh"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# создаем модель\n",
+        "model = Sequential()\n",
+        "model.add(layers.Conv2D(32, kernel_size=(3, 3), activation=\"relu\", input_shape=input_shape))\n",
+        "model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
+        "model.add(layers.Conv2D(64, kernel_size=(3, 3), activation=\"relu\"))\n",
+        "model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
+        "model.add(layers.Dropout(0.5))\n",
+        "model.add(layers.Flatten())\n",
+        "model.add(layers.Dense(num_classes, activation=\"softmax\"))\n",
+        "\n",
+        "model.summary()"
+      ],
+      "metadata": {
+        "id": "Un561zSH1Cmv"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# компилируем и обучаем модель\n",
+        "batch_size = 512\n",
+        "epochs = 15\n",
+        "model.compile(loss=\"categorical_crossentropy\", optimizer=\"adam\", metrics=[\"accuracy\"])\n",
+        "model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)"
+      ],
+      "metadata": {
+        "id": "q_h8PxkN9m0v"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 6) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных."
+      ],
+      "metadata": {
+        "id": "HL2_LVga1C3l"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# Оценка качества работы модели на тестовых данных\n",
+        "scores = model.evaluate(X_test, y_test)\n",
+        "print('Loss on test data:', scores[0])\n",
+        "print('Accuracy on test data:', scores[1])"
+      ],
+      "metadata": {
+        "id": "81Cgq8dn9uL6"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 7) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания."
+      ],
+      "metadata": {
+        "id": "KzrVY1SR1DZh"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# вывод двух тестовых изображений и результатов распознавания\n",
+        "\n",
+        "for n in [11,43]:\n",
+        "  result = model.predict(X_test[n:n+1])\n",
+        "  print('NN output:', result)\n",
+        "\n",
+        "  plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))\n",
+        "  plt.show()\n",
+        "  print('Real mark: ', np.argmax(y_test[n]))\n",
+        "  print('NN answer: ', np.argmax(result))"
+      ],
+      "metadata": {
+        "id": "dbfkWjDI1Dp7"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 8) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки."
+      ],
+      "metadata": {
+        "id": "YgiVGr5_1D3u"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# истинные метки классов\n",
+        "true_labels = np.argmax(y_test, axis=1)\n",
+        "# предсказанные метки классов\n",
+        "predicted_labels = np.argmax(model.predict(X_test), axis=1)\n",
+        "\n",
+        "# отчет о качестве классификации\n",
+        "print(classification_report(true_labels, predicted_labels))\n",
+        "# вычисление матрицы ошибок\n",
+        "conf_matrix = confusion_matrix(true_labels, predicted_labels)\n",
+        "# отрисовка матрицы ошибок в виде \"тепловой карты\"\n",
+        "display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix)\n",
+        "display.plot()\n",
+        "plt.show()"
+      ],
+      "metadata": {
+        "id": "7MqcG_wl1EHI"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 9) Загрузили, предобработали и подали на вход обученной нейронной сети собственное изображение, созданное при выполнении лабораторной работы №1. Вывели изображение и результат распознавания."
+      ],
+      "metadata": {
+        "id": "amaspXGW1EVy"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# загрузка собственного изображения\n",
+        "from PIL import Image\n",
+        "\n",
+        "for name_image in ['190 (2).png', '690 (1).png']:\n",
+        "  file_data = Image.open(name_image)\n",
+        "  file_data = file_data.convert('L') # перевод в градации серого\n",
+        "  test_img = np.array(file_data)\n",
+        "\n",
+        "  # вывод собственного изображения\n",
+        "  plt.imshow(test_img, cmap=plt.get_cmap('gray'))\n",
+        "  plt.show()\n",
+        "\n",
+        "  # предобработка\n",
+        "  test_img = test_img / 255\n",
+        "  test_img = np.reshape(test_img, (1,28,28,1))\n",
+        "\n",
+        "  # распознавание\n",
+        "  result = model.predict(test_img)\n",
+        "  print('I think it\\'s', np.argmax(result))"
+      ],
+      "metadata": {
+        "id": "ktWEeqWd1EyF"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 10) Загрузили с диска модель, сохраненную при выполнении лабораторной работы №1. Вывели информацию об архитектуре модели. Повторили для этой модели п. 6."
+      ],
+      "metadata": {
+        "id": "mgrihPd61E8w"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "model_lr1 = keras.models.load_model(\"best_model.keras\")\n",
+        "\n",
+        "model_lr1.summary()"
+      ],
+      "metadata": {
+        "id": "DblXqn3l1FL2"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# развернем каждое изображение 28*28 в вектор 784\n",
+        "X_train, X_test, y_train, y_test = train_test_split(X, y,\n",
+        "                                                    test_size = 10000,\n",
+        "                                                    train_size = 60000,\n",
+        "                                                    random_state = 23)\n",
+        "num_pixels = X_train.shape[1] * X_train.shape[2]\n",
+        "X_train = X_train.reshape(X_train.shape[0], num_pixels) / 255\n",
+        "X_test = X_test.reshape(X_test.shape[0], num_pixels) / 255\n",
+        "print('Shape of transformed X train:', X_train.shape)\n",
+        "print('Shape of transformed X train:', X_test.shape)\n",
+        "\n",
+        "# переведем метки в one-hot\n",
+        "y_train = keras.utils.to_categorical(y_train, num_classes)\n",
+        "y_test = keras.utils.to_categorical(y_test, num_classes)\n",
+        "print('Shape of transformed y train:', y_train.shape)\n",
+        "print('Shape of transformed y test:', y_test.shape)"
+      ],
+      "metadata": {
+        "id": "0ki8fhJrEyEt"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# Оценка качества работы модели на тестовых данных\n",
+        "scores = model_lr1.evaluate(X_test, y_test)\n",
+        "print('Loss on test data:', scores[0])\n",
+        "print('Accuracy on test data:', scores[1])"
+      ],
+      "metadata": {
+        "id": "0Yj0fzLNE12k"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 11) Сравнили обученную модель сверточной сети и наилучшую модель полносвязной сети из лабораторной работы №1 по следующим показателям:\n",
+        "### - количество настраиваемых параметров в сети\n",
+        "### - количество эпох обучения\n",
+        "### - качество классификации тестовой выборки.\n",
+        "### Сделали выводы по результатам применения сверточной нейронной сети для распознавания изображений.  "
+      ],
+      "metadata": {
+        "id": "MsM3ew3d1FYq"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "Таблица1:"
+      ],
+      "metadata": {
+        "id": "xxFO4CXbIG88"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "| Модель   | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |\n",
+        "|----------|-------------------------------------|---------------------------|-----------------------------------------|\n",
+        "| Сверточная | 34 826                              | 15                        | accuracy:0.987     ; loss:0.037                                   |\n",
+        "| Полносвязная | 79512                              | 50                        | accuracy:0.946     ; loss:0.185                                  |\n"
+      ],
+      "metadata": {
+        "id": "xvoivjuNFlEf"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "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."
+      ],
+      "metadata": {
+        "id": "YctF8h_sIB-P"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "## Задание 2"
+      ],
+      "metadata": {
+        "id": "wCLHZPGB1F1y"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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.  \n",
+        "### При этом:\n",
+        "### - в п. 3 разбиение данных на обучающие и тестовые произвели в соотношении 50 000:10 000\n",
+        "### - после разбиения данных (между п. 3 и 4) вывели 25 изображений из обучающей выборки с подписями классов\n",
+        "### - в п. 7 одно из тестовых изображений должно распознаваться корректно, а другое – ошибочно.   "
+      ],
+      "metadata": {
+        "id": "DUOYls124TT8"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 1) Загрузили набор данных CIFAR-10, содержащий цветные изображения размеченные на 10 классов: самолет, автомобиль, птица, кошка, олень, собака, лягушка, лошадь, корабль, грузовик."
+      ],
+      "metadata": {
+        "id": "XDStuSpEJa8o"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# загрузка датасета\n",
+        "from keras.datasets import cifar10\n",
+        "\n",
+        "(X_train, y_train), (X_test, y_test) = cifar10.load_data()"
+      ],
+      "metadata": {
+        "id": "y0qK7eKL4Tjy"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 2) Разбили набор данных на обучающие и тестовые данные в соотношении 50 000:10 000 элементов. Параметр random_state выбрали равным (4k – 1)=23, где k=6 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных."
+      ],
+      "metadata": {
+        "id": "wTHiBy-ZJ5oh"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# создание своего разбиения датасета\n",
+        "\n",
+        "# объединяем в один набор\n",
+        "X = np.concatenate((X_train, X_test))\n",
+        "y = np.concatenate((y_train, y_test))\n",
+        "\n",
+        "# разбиваем по вариантам\n",
+        "X_train, X_test, y_train, y_test = train_test_split(X, y,\n",
+        "                                                    test_size = 10000,\n",
+        "                                                    train_size = 50000,\n",
+        "                                                    random_state = 23)\n",
+        "# вывод размерностей\n",
+        "print('Shape of X train:', X_train.shape)\n",
+        "print('Shape of y train:', y_train.shape)\n",
+        "print('Shape of X test:', X_test.shape)\n",
+        "print('Shape of y test:', y_test.shape)"
+      ],
+      "metadata": {
+        "id": "DlnFbQogKD2v"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### Вывели 25 изображений из обучающей выборки с подписью классов."
+      ],
+      "metadata": {
+        "id": "pj3bMaz1KZ3a"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',\n",
+        "               'dog', 'frog', 'horse', 'ship', 'truck']\n",
+        "\n",
+        "plt.figure(figsize=(10,10))\n",
+        "for i in range(25):\n",
+        "    plt.subplot(5,5,i+1)\n",
+        "    plt.xticks([])\n",
+        "    plt.yticks([])\n",
+        "    plt.grid(False)\n",
+        "    plt.imshow(X_train[i])\n",
+        "    plt.xlabel(class_names[y_train[i][0]])\n",
+        "plt.show()"
+      ],
+      "metadata": {
+        "id": "TW8D67KEKhVE"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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."
+      ],
+      "metadata": {
+        "id": "d3TPr2w1KQTK"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# Зададим параметры данных и модели\n",
+        "num_classes = 10\n",
+        "input_shape = (32, 32, 3)\n",
+        "\n",
+        "# Приведение входных данных к диапазону [0, 1]\n",
+        "X_train = X_train / 255\n",
+        "X_test = X_test / 255\n",
+        "\n",
+        "print('Shape of transformed X train:', X_train.shape)\n",
+        "print('Shape of transformed X test:', X_test.shape)\n",
+        "\n",
+        "# переведем метки в one-hot\n",
+        "y_train = keras.utils.to_categorical(y_train, num_classes)\n",
+        "y_test = keras.utils.to_categorical(y_test, num_classes)\n",
+        "print('Shape of transformed y train:', y_train.shape)\n",
+        "print('Shape of transformed y test:', y_test.shape)"
+      ],
+      "metadata": {
+        "id": "iFDpxEauLZ8j"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 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."
+      ],
+      "metadata": {
+        "id": "ydNITXptLeGT"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# создаем модель\n",
+        "model = Sequential()\n",
+        "model.add(layers.Conv2D(32, kernel_size=(3, 3), activation=\"relu\", input_shape=input_shape))\n",
+        "model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
+        "model.add(layers.Conv2D(64, kernel_size=(3, 3), activation=\"relu\"))\n",
+        "model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
+        "model.add(layers.Conv2D(128, kernel_size=(3, 3), activation=\"relu\"))\n",
+        "model.add(layers.MaxPooling2D(pool_size=(2, 2)))\n",
+        "model.add(layers.Flatten())\n",
+        "model.add(layers.Dense(128, activation='relu'))\n",
+        "model.add(layers.Dropout(0.5))\n",
+        "model.add(layers.Dense(num_classes, activation=\"softmax\"))\n",
+        "model.summary()"
+      ],
+      "metadata": {
+        "id": "YhAD5CllLlv7"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# компилируем и обучаем модель\n",
+        "batch_size = 64\n",
+        "epochs = 50\n",
+        "model.compile(loss=\"categorical_crossentropy\", optimizer=\"adam\", metrics=[\"accuracy\"])\n",
+        "model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)"
+      ],
+      "metadata": {
+        "id": "3otvqMjjOdq5"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 5) Оценили качество обучения на тестовых данных. Вывели значение функции ошибки и значение метрики качества классификации на тестовых данных."
+      ],
+      "metadata": {
+        "id": "Vv1kUHWTLl9B"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# Оценка качества работы модели на тестовых данных\n",
+        "scores = model.evaluate(X_test, y_test)\n",
+        "print('Loss on test data:', scores[0])\n",
+        "print('Accuracy on test data:', scores[1])"
+      ],
+      "metadata": {
+        "id": "SaDxydiyLmRX"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 6) Подали на вход обученной модели два тестовых изображения. Вывели изображения, истинные метки и результаты распознавания."
+      ],
+      "metadata": {
+        "id": "OdgEiyUGLmhP"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# вывод двух тестовых изображений и результатов распознавания\n",
+        "\n",
+        "for n in [3,16]:\n",
+        "  result = model.predict(X_test[n:n+1])\n",
+        "  print('NN output:', result)\n",
+        "\n",
+        "  plt.imshow(X_test[n].reshape(32,32,3), cmap=plt.get_cmap('gray'))\n",
+        "  plt.show()\n",
+        "  print('Real mark: ', np.argmax(y_test[n]))\n",
+        "  print('NN answer: ', np.argmax(result))"
+      ],
+      "metadata": {
+        "id": "t3yGj1MlLm9H"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "### 7) Вывели отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки."
+      ],
+      "metadata": {
+        "id": "3h6VGDRrLnNC"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "# истинные метки классов\n",
+        "true_labels = np.argmax(y_test, axis=1)\n",
+        "# предсказанные метки классов\n",
+        "predicted_labels = np.argmax(model.predict(X_test), axis=1)\n",
+        "\n",
+        "# отчет о качестве классификации\n",
+        "print(classification_report(true_labels, predicted_labels, target_names=class_names))\n",
+        "# вычисление матрицы ошибок\n",
+        "conf_matrix = confusion_matrix(true_labels, predicted_labels)\n",
+        "# отрисовка матрицы ошибок в виде \"тепловой карты\"\n",
+        "fig, ax = plt.subplots(figsize=(6, 6))\n",
+        "disp = ConfusionMatrixDisplay(confusion_matrix=conf_matrix,display_labels=class_names)\n",
+        "disp.plot(ax=ax, xticks_rotation=45)  # поворот подписей по X и приятная палитра\n",
+        "plt.tight_layout()  # чтобы всё влезло\n",
+        "plt.show()"
+      ],
+      "metadata": {
+        "id": "od56oyyzM0nw"
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "По результатам классификации датасета CIFAR-10 сверточной моделью делаем вывод, что она удовлетворительно справилась с задачей. Полученные метрики оценки качества имеют показатели в районе 0.71."
+      ],
+      "metadata": {
+        "id": "RF4xK1cxamBc"
+      }
+    }
+  ]
+}

labworks/LW3/report.md

@@ -0,0 +1,530 @@
+# Отчёт по лабораторной работе №3
+
+**Касимов Азамат, Немыкин Никита — А-01-22**
+
+---
+## Задание 1
+
+### 1) В среде Google Colab создали новый блокнот (notebook). Импортировали необходимые для работы библиотеки и 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=6 –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 = 23)
+# 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)
+```
+```
+Shape of X train: (60000, 28, 28)
+Shape of y train: (60000,)
+Shape of X test: (10000, 28, 28)
+Shape of y test: (10000,)
+```
+
+### 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)
+```
+```
+Shape of transformed X train: (60000, 28, 28, 1)
+Shape of transformed X test: (10000, 28, 28, 1)
+Shape of transformed y train: (60000, 10)
+Shape of transformed y test: (10000, 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()
+```
+**Model: "sequential"**
+| Layer (type)                   | Output Shape        | Param # |
+|--------------------------------|---------------------|--------:|
+| conv2d (Conv2D)                | (None, 26, 26, 32)  |     320 |
+| max_pooling2d (MaxPooling2D)   | (None, 13, 13, 32)  |       0 |
+| conv2d_1 (Conv2D)              | (None, 11, 11, 64)  |  18,496 |
+| max_pooling2d_1 (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
+# 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])
+```
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 3s 9ms/step - accuracy: 0.9891 - loss: 0.0327
+Loss on test data: 0.03766785189509392
+Accuracy on test data: 0.9879000186920166
+```
+
+### 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 [11,43]:
+  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))
+```
+![picture](images/1.png)
+```
+Real mark:  2
+NN answer:  2
+```
+![picture](images/2.png)
+```
+Real mark:  9
+NN answer:  9
+```
+
+### 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()
+```
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 5ms/step
+              precision    recall  f1-score   support
+
+           0       1.00      0.99      0.99       997
+           1       1.00      0.99      1.00      1164
+           2       0.99      0.98      0.98      1030
+           3       1.00      0.98      0.99      1031
+           4       0.99      0.99      0.99       967
+           5       0.97      0.99      0.98       860
+           6       0.99      0.99      0.99       977
+           7       0.99      0.99      0.99      1072
+           8       0.98      0.98      0.98       939
+           9       0.99      0.98      0.99       963
+
+    accuracy                           0.99     10000
+   macro avg       0.99      0.99      0.99     10000
+weighted avg       0.99      0.99      0.99     10000
+```
+![picture](images/3.png)
+
+### 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
+
+for name_image in ['190 (2).png', '690 (1).png']:
+  file_data = Image.open(name_image)
+  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))
+```
+![picture](images/8.png)
+```
+I think it's 1
+```
+![picture](images/9.png)
+```
+I think it's 6
+```
+
+### 10) Загрузили с диска модель, сохраненную при выполнении лабораторной работы №1. Вывели информацию об архитектуре модели. Повторили для этой модели п. 6.
+
+```python
+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)
+ Non-trainable params: 0 (0.00 B)
+ Optimizer params: 2 (12.00 B)
+
+
+```python
+# развернем каждое изображение 28*28 в вектор 784
+X_train, X_test, y_train, y_test = train_test_split(X, y,
+                                                    test_size = 10000,
+                                                    train_size = 60000,
+                                                    random_state = 23)
+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)
+print('Shape of transformed X train:', 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)
+```
+```
+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
+scores = model_lr1.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 3ms/step - accuracy: 0.9490 - loss: 0.1739
+Loss on test data: 0.18475718796253204
+Accuracy on test data: 0.9458000063896179
+```
+
+### 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.  
+
+Таблица1:
+
+| Модель   | Количество настраиваемых параметров | Количество эпох обучения | Качество классификации тестовой выборки |
+|----------|-------------------------------------|---------------------------|-----------------------------------------|
+| Сверточная | 34 826                              | 15                        | accuracy:0.987     ; loss:0.037                                   |
+| Полносвязная | 79512                              | 50                        | accuracy:0.946     ; loss:0.185                                  |
+
+
+##### 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.
+
+## 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
+# 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)=23, где k=6 –номер бригады. Вывели размерности полученных обучающих и тестовых массивов данных.
+
+```python
+# создание своего разбиения датасета
+
+# 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 = 23)
+# 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)
+```
+```
+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()
+```
+![picture](images/4.png)
+
+### 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)
+```
+```
+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
+# 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.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()
+```
+Model: "sequential_1"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ conv2d_2 (Conv2D)               │ (None, 30, 30, 32)     │           896 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ max_pooling2d_2 (MaxPooling2D)  │ (None, 15, 15, 32)     │             0 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ conv2d_3 (Conv2D)               │ (None, 13, 13, 64)     │        18,496 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ max_pooling2d_3 (MaxPooling2D)  │ (None, 6, 6, 64)       │             0 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ conv2d_4 (Conv2D)               │ (None, 4, 4, 128)      │        73,856 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ max_pooling2d_4 (MaxPooling2D)  │ (None, 2, 2, 128)      │             0 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ flatten_1 (Flatten)             │ (None, 512)            │             0 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_1 (Dense)                 │ (None, 128)            │        65,664 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dropout_1 (Dropout)             │ (None, 128)            │             0 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_2 (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])
+```
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 2s 4ms/step - accuracy: 0.7087 - loss: 1.3107
+Loss on test data: 1.2974315881729126
+Accuracy on test data: 0.7123000025749207
+```
+
+### 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 [3,16]:
+  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))
+```
+![picture](images/5.png)
+```
+Real mark:  0
+NN answer:  0
+```
+![picture](images/6.png)
+```
+Real mark:  7
+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()
+```
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step
+              precision    recall  f1-score   support
+
+    airplane       0.69      0.76      0.72       986
+  automobile       0.85      0.80      0.82       971
+        bird       0.66      0.60      0.63      1043
+         cat       0.54      0.55      0.55      1037
+        deer       0.66      0.67      0.67       969
+         dog       0.63      0.64      0.63       979
+        frog       0.78      0.78      0.78      1025
+       horse       0.74      0.73      0.74       948
+        ship       0.79      0.82      0.80      1003
+       truck       0.80      0.78      0.79      1039
+
+    accuracy                           0.71     10000
+   macro avg       0.71      0.71      0.71     10000
+weighted avg       0.71      0.71      0.71     10000
+```
+![picture](images/7.png)
+
+### По результатам классификации датасета CIFAR-10 сверточной моделью делаем вывод, что она удовлетворительно справилась с задачей. Полученные метрики оценки качества имеют показатели в районе 0.71.