очищены результаты

README.md

@@ -6,10 +6,17 @@
 ## Лабораторные работы
 
 1. [Архитектура и обучение глубоких нейронных сетей](labworks/LW1)
-2. [Обнаружение аномалий](labworks/LW2)
+
 
 <!--
 
+### Лабораторная работа №2
+
+* [Задание](labworks/LW2/IS_Lab02_2023.pdf) 
+* [Методические указания](labworks/LW2/IS_Lab02_Metod_2023.pdf)
+* [Наборы данных](labworks/LW2/data)
+* [Библиотека для автокодировщиков](labworks/LW2/lab02_lib.py) 
+
 ### Лабораторная работа №3
 
 * [Задание](labworks/LW3/IS_Lab03_2023.pdf) 

labworks/LW1/otchet.md

@@ -0,0 +1,223 @@
+# Отчет по лабораторной работе 1
+## Ли Тэ Хо, Синявский Степан А-02-22
+## Бригада 3
+### Пункт 1
+В среде GoogleColab создали новый блокнот(notebook).Импортировали необходимые для работы библиотеки и модули.
+```python
+from google.colab import drive
+drive.mount('/content/drive')
+import os
+os.chdir('/content/drive/MyDrive/Colab Notebooks')
+from tensorflow import keras
+import matplotlib.pyplot as plt
+import numpy as np
+import sklearn
+```
+### Пункт 2
+Загрузили набор данных MNIST, содержащий размеченные изображения рукописных цифр.
+```python
+from keras.datasets import mnist
+```
+### Пункт 3
+Разбили набор данных на обучающие и тестовые данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрали 11.
+Вывели размерности полученных обучающих и тестовых массивов данных.
+```python
+(X_train,y_train),(X_test,y_test)=mnist.load_data()
+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=11)
+#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,)
+
+### Пункт 4
+Вывели первые 4 элемента обучающих данных
+```python
+#вывод изображения
+plt.imshow(X_train[1],cmap=plt.get_cmap('gray'))
+plt.show()
+print(y_train[1])
+
+plt.imshow(X_train[2],cmap=plt.get_cmap('gray'))
+plt.show()
+print(y_train[2])
+
+plt.imshow(X_train[3],cmap=plt.get_cmap('gray'))
+plt.show()
+print(y_train[3])
+
+plt.imshow(X_train[4],cmap=plt.get_cmap('gray'))
+plt.show()
+print(y_train[4])
+```
+![photo](images/1.png)
+![photo](images/2.png)
+![photo](images/3.png)
+![photo](images/4.png)
+
+### Пункт 5
+Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения нейронной сети.
+Входные данные должны  принимать  значения  от  0  до  1, метки  цифрдолжны  быть закодированы  по  принципу  «one-hotencoding».Вывели  размерности предобработанных обучающих и тестовых массивов данных.
+```python
+#развернем каждое изображение 8*228 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)
+```python
+#переведем метки в one-hot
+import keras.utils
+y_train=keras.utils.to_categorical(y_train)
+y_test=keras.utils.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)
+
+### Пункт 6
+Реализовали  модель однослойной нейронной  сети  и  обучили  ее  на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывели  информацию  об архитектуре нейронной  сети. Вывели график функции ошибки на обучающих и валидационных данных по эпохам.
+```python
+from keras.models import Sequential
+from keras.layers import Dense
+
+model_1 = Sequential()
+model_1.add(Dense(units=num_classes, input_dim=num_pixels, activation='softmax'))
+model_1.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+# вывод информации об архитектуре модели
+print(model_1.summary())
+Model: "sequential"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense (Dense)                   │ (None, 10)             │         7,850 │
+└─────────────────────────────────┴────────────────────────┴───────────────┘
+ Total params: 7,850 (30.66 KB)
+ Trainable params: 7,850 (30.66 KB)
+ Non-trainable params: 0 (0.00 B)
+None
+
+# Обучаем модель
+H = model_1.fit(X_train, y_train, validation_split=0.1, epochs=50)
+
+# вывод графика ошибки по эпохам
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+![photo](images/5.png)
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model_1.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 3s 8ms/step - accuracy: 0.9219 - loss: 0.2787
+Loss on test data: 0.2803967595100403
+Accuracy on test data: 0.9203000068664551
+
+### Таблица с результатами тестирования нейросетевых моделей
+
+| Количество скрытых слоёв | Количество нейронов в первом скрытом слое | Количество нейронов во втором скрытом слое | Значение метрики качества классификации |
+|---------------------------|-------------------------------------------|--------------------------------------------|-----------------------------------------|
+| 0                         | -                                         | -                                          |  0.9203000068664551                     |
+| 1                         | 100                                       | -                                          |  0.9416999816894531                     |
+|                           | 300                                       | -                                          |  0.9345999956130981                     |
+|                           | 500                                       | -                                          |  0.9279000163078308                     |
+| 2                         | (наилучшее из п.8)                        | 50                                         |  0.9402999877929688                     |
+|                           | (наилучшее из п.8)                        | 100                                        |  0.9420999884605408                     |
+
+По полученным результатам можно сказать, что лучшая архитектура НН это - с двумя скрытыми слоями, с 100 нейронами на первом скрытом слое, и со 100 на втором скрытом слое.
+
+### Пункт 11
+Сохранили  наилучшую  нейронную  сеть  на  диск.
+```python
+model_5.save('best_model.keras')
+```
+
+### Пункт 12
+Вывели результаты тестирования модели
+```python
+# вывод тестового изображения и результата распознавания 1
+n = 123
+result = model_5.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)))
+```
+![photo](images/6.png)
+
+Real mark:  0
+NN answer:  0
+
+### Пункт 13
+Создали собственные изображения чисел
+![photo](images/7.png)
+![photo](images/8.png)
+Сохранили их и подали на вход для распознования
+```python
+# загрузка собственного изображения
+from PIL import Image
+file_data = Image.open('5.png')
+file_data = file_data.convert('L') # перевод в градации серого
+test_img = np.array(file_data)
+
+# вывод собственного изображения
+plt.imshow(test_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+![photo](images/9.png)
+
+```python
+# предобработка
+test_img = test_img / 255
+test_img = test_img.reshape(1, num_pixels)
+# распознавание
+result = model_5.predict(test_img)
+print('I think it\'s ', np.argmax(result))
+```
+I think it's  5
+
+### Пункт 14
+Создали копию нарисованных чисел и повернем их на 90 градусов. Протестируем работу нейронной сети.
+![photo](images/10.png)
+![photo](images/11.png)
+
+```python
+file_data = Image.open('2_1.png')
+file_data = file_data.convert('L') # перевод в градации серого
+test_img = np.array(file_data)
+
+# вывод собственного изображения
+plt.imshow(test_img, cmap=plt.get_cmap('gray'))
+plt.show()
+# предобработка
+test_img = test_img / 255
+test_img = test_img.reshape(1, num_pixels)
+# распознавание
+result = model_5.predict(test_img)
+print('I think it\'s ', np.argmax(result))
+```
+![photo](images/12.png)
+
+I think it's  4
+
+![photo](images/13.png)
+
+I think it's  7
+
+Нейросеть неправильно определила повернутые изображения цифр. Она не определяет саму цифру, для нее ориентация не имеет значения, 1 это вертикальная черта, а повернутая 1 это просто горизонтальная черта.

labworks/LW2/README.md

@@ -1,4 +0,0 @@
-* [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)