'LR1'

README.md

@@ -1,15 +1,21 @@
 # Интеллектуальные системы
 
+
 ## <a href="https://docs.google.com/spreadsheets/d/1E1vXKs7ZLeZcsPQiLG2JUh6mjsG6mXnmtFT58aCQul0/edit?usp=sharing">Журнал</a>
 
 ## Лабораторные работы
 
 1. [Архитектура и обучение глубоких нейронных сетей](labworks/LW1)
 2. [Обнаружение аномалий](labworks/LW2)
-3. [Распознавание изображений](labworks/LW3)
 
 <!--
 
+### Лабораторная работа №3
+
+* [Задание](labworks/LW3/IS_Lab03_2023.pdf) 
+* [Методические указания](labworks/LW3/IS_Lab03_Metod_2023.pdf)
+* <a href="https://youtube.com/playlist?list=PLZDCDMGmelH-pHt-Ij0nImVrOmj8DYKbB" target="_blank">Плейлист с видео о сверточных сетях (крутая визуализация)</a>
+
 ### Лабораторная работа №4
 
 * [Задание](labworks/LW4/IS_Lab04_2023.pdf) 

labworks/LW1/README.md

@@ -1,11 +1,4 @@
-## Лабораторныа работа №1
-
-## Архитектура и обучение глубоких нейронных сетей
-
-* [Задание](IS_Lab01_2023.pdf)
-
+* [Задание](IS_Lab01_2023.pdf) 
 * [Методические указания](IS_Lab01_Metod_2023.pdf)
-
 * <a href="https://youtube.com/playlist?list=PLfdZ2TeaMzfzlpZ60rbaYU_epH5XPNbWU" target="_blank"><s>Какие нейроны, что вообще происходит?</s> Рекомендуется к просмотру для понимания (4 видео)</a>
-
 * <a href="https://www.youtube.com/watch?v=FwFduRA_L6Q" target="_blank">Почувствуйте себя пионером нейронных сетей в области распознавания образов</a>

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/README.md

@@ -1,11 +1,4 @@
-## Лабораторныа работа №2
-
-## Обнаружение аномалий
-
-* [Задание](IS_Lab02_2023.pdf)
-
+* [Задание](IS_Lab02_2023.pdf) 
 * [Методические указания](IS_Lab02_Metod_2023.pdf)
-
 * [Наборы данных](data)
-
 * [Библиотека для автокодировщиков](lab02_lib.py) 

labworks/LW2/lab02_lib.py

@@ -29,14 +29,12 @@ from pandas import DataFrame
 from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix
 from tensorflow.keras.models import Sequential
 from tensorflow.keras.layers import Dense, Activation
-from tensorflow.keras.callbacks import Callback
 
 
 
 visual = True
 verbose_show = False
 
-
 # generate 2d classification dataset
 def datagen(x_c, y_c, n_samples, n_features):
 
@@ -93,27 +91,8 @@ class EarlyStoppingOnValue(tensorflow.keras.callbacks.Callback):
             )
         return monitor_value
 
-
-class VerboseEveryNEpochs(Callback):
-    def __init__(self, every_n_epochs=1000, verbose=1):
-        super().__init__()
-        self.every_n_epochs = every_n_epochs
-        self.verbose = verbose
-
-    def on_epoch_end(self, epoch, logs=None):
-        if (epoch + 1) % self.every_n_epochs == 0:
-            if self.verbose:
-                print(f"\nEpoch {epoch + 1}/{self.params['epochs']}")
-                if logs:
-                    log_str = ", ".join([f"{k}: {v:.4f}" for k, v in logs.items()])
-                    print(f" - {log_str}")
-
-
 #создание и обучение модели автокодировщика
-def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience, **kwargs):
-    verbose_every_n_epochs = kwargs.get('verbose_every_n_epochs', 1000)
-    early_stopping_delta = kwargs.get('early_stopping_delta', 0.01)
-    early_stopping_value = kwargs.get('early_stopping_value', 0.0001)
+def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience):
 
     size = cl_train.shape[1]
     #ans = '2'
@@ -161,28 +140,22 @@ def create_fit_save_ae(cl_train, ae_file, irefile, epohs, verbose_show, patience
 
     optimizer = tensorflow.keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)
     ae.compile(loss='mean_squared_error', optimizer=optimizer)
+    error_stop = 0.0001
     epo = epohs
 
-
-    verbose = 1 if verbose_show else 0
-
-    early_stopping_callback_on_error = EarlyStoppingOnValue(monitor='loss', baseline=early_stopping_value)
+    early_stopping_callback_on_error = EarlyStoppingOnValue(monitor='loss', baseline=error_stop)
     early_stopping_callback_on_improving = tensorflow.keras.callbacks.EarlyStopping(monitor='loss',
-                                                                                           min_delta=early_stopping_delta, patience = patience,
-                                                                                           verbose=verbose, mode='min',
+                                                                                           min_delta=0.0001, patience = patience,
+                                                                                           verbose=1, mode='auto',
                                                                                            baseline=None,
-                                                                                           restore_best_weights=True)
+                                                                                           restore_best_weights=False)
     history_callback = tensorflow.keras.callbacks.History()
-
+    verbose = 1 if verbose_show else 0
     history_object = ae.fit(cl_train, cl_train,
                                 batch_size=cl_train.shape[0],
                                 epochs=epo,
-                                callbacks=[
-                                  early_stopping_callback_on_error, 
-                                  history_callback,
-                                  early_stopping_callback_on_improving,
-                                  VerboseEveryNEpochs(every_n_epochs=verbose_every_n_epochs),
-                                ],
+                                callbacks=[early_stopping_callback_on_error, history_callback,
+                                early_stopping_callback_on_improving],
                                 verbose=verbose)
     ae_trainned = ae
     ae_pred = ae_trainned.predict(cl_train)
@@ -565,4 +538,4 @@ def ire_plot(title, IRE_test, IREth, ae_name):
     plt.gcf().savefig('out/IRE_' + title + ae_name + '.png')
     plt.show()
 
-    return
+    return

labworks/LW3/README.md

@@ -1,9 +0,0 @@
-## Лабораторныа работа №3
-
-## Распознавание изображений
-
-* [Задание](IS_Lab03_2023.pdf) 
-
-* [Методические указания](IS_Lab03_Metod_2023.pdf)
-
-* <a href="https://youtube.com/playlist?list=PLZDCDMGmelH-pHt-Ij0nImVrOmj8DYKbB" target="_blank">Плейлист с видео о сверточных сетях</a>