Изменил(а) на 'labworks/LW1/Report.md'

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/Report.md

@@ -0,0 +1,692 @@
+# Отчёт по лабораторной работе №1
+## по теме: "Архитектура и обучение глубоких нейронных сетей"
+
+---
+Выполнили: Бригада 2, Мачулина Д.В., Бирюкова А.С., А-02-22
+
+---
+### 1. Создание  блокнота в Google Collab и настройка директории
+```python
+import os 
+os.chdir('/content/drive/MyDrive/Colab Notebooks')
+```
+**Импорт библиотек** 
+```python
+from tensorflow import keras 
+import matplotlib.pyplot as plt 
+import numpy as np 
+import sklearn
+```
+
+---
+### 2. Загрузка набора данных MNIST
+```python
+from keras.datasets import mnist 
+(X_train, y_train), (X_test, y_test) = mnist.load_data()
+```
+___
+### 3. Разбиение набора данных на обучающие и тестовые данные
+```python
+from sklearn.model_selection import train_test_split 
+```
+**Объединение обучающих и тестовых данных в один набор**
+```python
+X = np.concatenate((X_train, X_test)) 
+y = np.concatenate((y_train, y_test))
+```
+**Разбиение набора случайным образом (номер бригады - 2)**
+```python
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 10000, train_size = 60000, random_state = 7) 
+```
+**Вывод размерностей**
+```python
+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
+```python
+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]}')  
+
+plt.show()
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/3576.png)
+
+---
+### 5. Предобработка данных
+**Преобразование данных из массива в вектор**
+```python
+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)*
+
+**Кодировка метод цифр по принципу one-hot encoding**
+```python
+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 модели нейронной сети
+```python
+from keras.models import Sequential 
+from keras.layers import Dense 
+```
+
+**Создание и компиляция модели**
+```python
+model_01 = Sequential()
+model_01.add(Dense(units=num_classes,input_dim=num_pixels, activation='softmax'))
+model_01.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) 
+model_01.summary()
+```
+*Model: "sequential_5"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td rowspan=1 align="center">dense_10 (Dense)</td>
+            <td rowspan=2 align="center">(None, 10)</td>
+            <td align="center">7,850</td>
+        </tr>
+    </tbody>
+</table>
+
+*Total params: 7,850 (30.66 KB)*
+
+*Trainable params: 7,850 (30.66 KB)*
+
+*Non-trainable params: 0 (0.00 B)*
+
+**Обучение модели**
+```python
+H = model_01.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size = 512
+)
+```
+**Вывод графика ошибки**
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H.history['loss'], label='Обучающая ошибка')
+plt.plot(H.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01.png)
+
+### 7. Применение модели к тестовым данным
+```python
+scores=model_01.evaluate(X_test,y_test)
+print('Loss on test data:', scores[0]) 
+print('Accuracy on test data:', scores[1])
+```
+*Loss on test data: 0.3511466085910797;*
+
+*Accuracy on test data: 0.9067999720573425*
+
+### 8. Повторные эксперименты с добавлением первого скрытого слоя
+**100 нейронов в первом скрытом слое:**
+```python
+model_01_100 = Sequential()
+model_01_100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model_01_100.add(Dense(units=num_classes, activation='softmax'))
+model_01_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model_01_100.summary()
+```
+*Model: "sequential_6"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">dense_11 (Dense)</td>
+            <td align="center">(None, 100)</td>
+            <td align="center">78,500</td>
+        </tr>
+        <tr>
+        <td align="center">dense_12(Dense)</td>
+        <td align="center">(None,10)</td>
+        <td align="center">1,010</td>
+        </tr>
+    </tbody>
+</table>
+
+*Total params: 79,510 (310.59 KB)*
+
+*Trainable params: 79,510 (310.59 KB)*
+
+*Non-trainable params: 0 (0.00 B)*
+```python
+H_01_100 = model_01_100.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size = 512
+)
+```
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H_01_100.history['loss'], label='Обучающая ошибка')
+plt.plot(H_01_100.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01_100.png)
+```python
+scores_01_100=model_01_100.evaluate(X_test,y_test)
+print('Loss on test data:', scores_01_100[0]) 
+print('Accuracy on test data:', scores_01_100[1])
+```
+*Loss on test data: 0.3824511766433716*
+
+*Accuracy on test data: 0.9000999927520752*
+
+**300 нейронов в первом скрытом слое**
+```python
+model_01_300 = Sequential()
+model_01_300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
+model_01_300.add(Dense(units=num_classes, activation='softmax'))
+model_01_300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model_01_300.summary()
+```
+*Model: "sequential_7"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">dense_13 (Dense)</td>
+            <td align="center">(None, 300)</td>
+            <td align="center">235,500</td>
+        </tr>
+        <tr>
+        <td align="center">dense_14(Dense)</td>
+        <td align="center">(None,10)</td>
+        <td align="center">3,010</td>
+        </tr>
+    </tbody>
+</table>
+
+*Total params: 238,510 (931.68 KB)*
+
+*Trainable params: 238,510 (931.68 KB)*
+
+*Non-trainable params: 0 (0.00 B)*
+
+```python
+H_01_300 = model_01_300.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size = 512
+)
+```
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H_01_300.history['loss'], label='Обучающая ошибка')
+plt.plot(H_01_300.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01_300.png)
+```python
+scores_01_300=model_01_300.evaluate(X_test,y_test)
+print('Loss on test data:', scores_01_300[0]) 
+print('Accuracy on test data:', scores_01_300[1])
+```
+
+*Loss on test data: 0.37091827392578125*
+
+*Accuracy on test data: 0.9013000130653381*
+
+**500 нейронов в первом скрытом слое**
+```python
+model_01_500 = Sequential()
+model_01_500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
+model_01_500.add(Dense(units=num_classes, activation='softmax'))
+model_01_500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model_01_500.summary()
+```
+*Model: "sequential_8"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">dense_15 (Dense)</td>
+            <td align="center">(None, 500)</td>
+            <td align="center">392,500</td>
+        </tr>
+        <tr>
+        <td align="center">dense_16(Dense)</td>
+        <td align="center">(None,10)</td>
+        <td align="center">5,010</td>
+        </tr>
+    </tbody>
+</table>
+ 
+*Total params: 397,510 (1.52 MB)*
+
+*Trainable params: 397,510 (1.52 MB)*
+
+*Non-trainable params: 0 (0.00 B)*
+
+```python
+H_01_500 = model_01_500.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size = 512
+)
+```
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H_01_500.history['loss'], label='Обучающая ошибка')
+plt.plot(H_01_500.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01_500.png)
+```python
+scores_01_500=model_01_500.evaluate(X_test,y_test)
+print('Loss on test data:',scores_01_500[0]) 
+print('Accuracy on test data:',scores_01_500[1]) 
+```
+*Loss on test data: 0.36660370230674744*
+
+*Accuracy on test data: 0.9010000228881836*
+
+Таким образом, наиболее точной архитектурой со скрытым слоем является архитектура со 300 нейронами в скрытом слое. Для дальнейшей работы будем использовать её.
+
+### 9. Повторные эксперименты с добавлением второго скрытого слоя
+**50 нейронов во втором скрытом слое**
+```python
+model_01_300_50 = Sequential()
+model_01_300_50.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
+model_01_300_50.add(Dense(units=50, activation='sigmoid'))
+model_01_300_50.add(Dense(units=num_classes, activation='softmax'))
+model_01_300_50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model_01_300_50.summary()
+```
+*Model: "sequential_11"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">dense_23 (Dense)</td>
+            <td align="center">(None, 300)</td>
+            <td align="center">235,500</td>
+        </tr>
+        <tr>
+        <td align="center">dense_24(Dense)</td>
+        <td align="center">(None,50)</td>
+        <td align="center">15,050</td>
+        </tr>
+        <tr>
+        <td align="center">dense_25 (Dense)</td>
+        <td align="center">(None,10)</td>
+        <td align="center">510</td>
+        </tr>
+    </tbody>
+</table>
+
+*Total params: 251,060 (328.36 KB)*
+
+*Trainable params: 251,060 (328.36 KB)*
+
+*Non-trainable params: 0 (0.00 B)*
+
+```python
+H_01_300_50 = model_01_300_50.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size=512
+)
+```
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H_01_300_50.history['loss'], label='Обучающая ошибка')
+plt.plot(H_01_300_50.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01_300_50.png)
+```python
+scores_01_300_50=model_01_300_50.evaluate(X_test,y_test)
+print('Loss on test data:',scores_01_300_50[0])
+print('Accuracy on test data:',scores_01_300_50[1])
+```
+*Loss on test data: 0.4881931245326996*
+
+*Accuracy on test data: 0.8740000128746033*
+
+**100 нейронов во втором скрытом слое**
+```python
+model_01_300_100 = Sequential()
+model_01_300_100.add(Dense(units=300, input_dim=num_pixels, activation='sigmoid'))
+model_01_300_100.add(Dense(units=100, activation='sigmoid'))
+model_01_300_100.add(Dense(units=num_classes, activation='softmax'))
+model_01_300_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model_01_300_100.summary()
+```
+*Model: "sequential_12"*
+<table>
+    <thead>
+        <tr>
+            <th>Layer (type)</th>
+            <th>Output Shape</th>
+            <th>Param #</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">dense_26 (Dense)</td>
+            <td align="center">(None, 300)</td>
+            <td align="center">235,500</td>
+        </tr>
+        <tr>
+        <td align="center">dense_27(Dense)</td>
+        <td align="center">(None,100)</td>
+        <td align="center">30,100</td>
+        </tr>
+        <tr>
+        <td align="center">dense_28 (Dense)</td>
+        <td align="center">(None,10)</td>
+        <td align="center">1,010</td>
+        </tr>
+    </tbody>
+</table>
+
+*Total params: 266,610 (350.04 KB)*
+
+*Trainable params: 266,610 (350.04 KB)*
+ 
+*Non-trainable params: 0 (0.00 B)*
+
+```python
+H_01_300_100 = model_01_300_100.fit(
+    X_train, y_train,
+    validation_split=0.1,
+    epochs=100,
+    batch_size=512
+)
+```
+```python
+plt.figure(figsize=(12, 5))
+
+plt.subplot(1, 2, 1)
+plt.plot(H_01_300_100.history['loss'], label='Обучающая ошибка')
+plt.plot(H_01_300_100.history['val_loss'], label='Валидационная ошибка')
+plt.title('Функция ошибки по эпохам')
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend()
+plt.grid(True)
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/model_01_300_100.png)
+```python
+scores_01_300_100=model_01_300_100.evaluate(X_test,y_test)
+print('Lossontestdata:',scores_01_300_100[0])
+print('Accuracyontestdata:',scores_01_300_100[1])
+```
+*Loss on test data: 0.4638420343399048*
+
+*Accuracy on test data: 0.8795999884605408*
+
+**Сведём результаты в таблицу**
+<table>
+    <thead>
+        <tr>
+            <th>Количество скрытых слоёв (type)</th>
+            <th>Количество нейронов в первом скрытом слое</th>
+            <th>Количество нейронов во втором скрытом слое </th>
+            <th>Значение метрики качества классификации</th>
+        </tr>
+    </thead>
+    <tbody>
+        <tr>
+            <td align="center">0</td>
+            <td align="center">-</td>
+            <td align="center">-</td>
+            <td align="center">0.9067999720573425</td>
+        </tr>
+        <tr>
+        <td rowspan = 3 align="center">1</td>
+        <td align="center">100</td>
+        <td rowspan =3 align="center">-</td>
+        <td align="center">0.9000999927520752</td>
+        </tr>
+        <tr>
+        <td align="center">300</td>
+        <td align="center">0.9013000130653381</td>
+        </tr>
+        <tr>
+        <td align="center">500</td>
+        <td align="center">0.9010000228881836</td>
+        </tr>
+        <tr>
+        <td rowspan = 2 align="center">2</td>
+        <td rowspan = 2 align="center">300</td>
+        <td  align="center">50</td>
+        <td  align="center">0.8740000128746033</td>
+        </tr>
+        <tr>
+        <td  align="center">100</td>
+        <td  align="center">0.8795999884605408</td>
+        </tr>
+    </tbody>
+</table>
+
+### 11.Сохранение лучшей модели на диск
+```python
+model_01_300.save(filepath='best_model.keras')
+```
+
+### 12. Вывод тестовых изображений
+**Загрузка лучшей модели с диска**
+```python
+from keras.models import load_model 
+model = load_model('best_model.keras') 
+```
+**Вывод изображений**
+```python
+n = 123
+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: ', str(np.argmax(y_test[n]))) 
+print('NN answer: ', str(np.argmax(result)))
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/12.1.png)
+
+*Real mark:  6*
+
+*NN answer:  6*
+
+```python
+n = 765
+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: ', str(np.argmax(y_test[n]))) 
+print('NN answer: ', str(np.argmax(result)))
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/12.2.png)
+
+*Real mark:  3*
+
+*NN answer:  3*
+
+### 13. Тестирование на собственных изображениях
+**Загрузка собственного изображения**
+```python
+from PIL import Image 
+file_07_data = Image.open('7.png') 
+file_07_data = file_07_data.convert('L') 
+test_07_img = np.array(file_07_data) 
+```
+**Вывод изображения**
+```python
+plt.imshow(test_07_img, cmap=plt.get_cmap('gray')) 
+plt.show() 
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/7.png)
+
+**Распознавание изображения**
+```python
+test_07_img = test_07_img / 255 
+test_07_img = test_07_img.reshape(1, num_pixels) 
+```
+*I think it's  7*
+
+**Второе изображение**
+```python
+from PIL import Image 
+file_05_data = Image.open('5.png') 
+file_05_data = file_05_data.convert('L') 
+test_05_img = np.array(file_05_data) 
+```
+```python
+plt.imshow(test_05_img, cmap=plt.get_cmap('gray')) 
+plt.show()
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/5.png)
+
+
+```python
+test_05_img = test_05_img / 255 
+test_05_img = test_05_img.reshape(1, num_pixels) 
+```
+```python
+result = model.predict(test_05_img) 
+print('I think it\'s ', np.argmax(result))
+```
+*I think it's  5*
+
+Нейросеть распознала изображения корректно
+
+### 14. Тестирование на собственных перевёрнутых изображениях
+**Первое изображение**
+```python
+from PIL import Image 
+file_07_90_data = Image.open('7-90.png') 
+file_07_90_data = file_07_90_data.convert('L') 
+test_07_90_img = np.array(file_07_90_data) 
+```
+```python
+plt.imshow(test_07_90_img, cmap=plt.get_cmap('gray')) 
+plt.show() 
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/7-90.png)
+
+
+```python
+test_07_90_img = test_07_90_img / 255 
+test_07_90_img = test_07_90_img.reshape(1, num_pixels) 
+```
+```python
+result = model.predict(test_07_90_img) 
+print('I think it\'s ', np.argmax(result))
+```
+*I think it's  2*
+
+**Второе изображение**
+```python
+from PIL import Image 
+file_05_90_data = Image.open('5-90.png') 
+file_05_90_data = file_05_90_data.convert('L') 
+test_05_90_img = np.array(file_05_90_data) 
+```
+```python
+plt.imshow(test_05_90_img, cmap=plt.get_cmap('gray')) 
+plt.show() 
+```
+![](http://uit.mpei.ru/git/MachulinaDV/is_dnn/raw/branch/main/labworks/LW1/5-90.png)
+
+
+```python
+test_05_90_img = test_05_90_img / 255 
+test_05_90_img = test_05_90_img.reshape(1, num_pixels) 
+```
+```python
+result = model.predict(test_05_90_img) 
+print('I think it\'s ', np.argmax(result))
+```
+*I think it's  4*
+
+Нейросеть не смогла распознать изображения
+
+**Вывод по архитектуре**: анализируя полученные результаты, можем прийти к выводу, что с ростом количества нейронов точность сначала улучшается - сеть обучается лучше, а при 500 нейронах - немного падает качество классификации, что может свидетельствовать о том, что алгоритм «застревал» в каком-то локальном минимуме; либо слишком малое время обучения - сеть не успевает обучиться, из-за чего страдает качество конечного результата. В данном примере это не критично, так как переобучение не наблюдается, а сама по себе точность достаточно высокая.
+
+**Вывод по картинкам**: проанализировав результаты работы сети, делаем вывод, что нейросеть справилась только с прямыми изображениями, повёрнутые она распознать не смогла. Это логично, потому что обучали её только на прямых изображениях. Если необходимо, чтобы картинки распознавались в том числе перевёрнутыми, в обучающую выборку стоит включить изображения такого же характера.

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)