Вы не можете выбрать более 25 тем
Темы должны начинаться с буквы или цифры, могут содержать дефисы(-) и должны содержать не более 35 символов.
622 строки
22 KiB
Markdown
622 строки
22 KiB
Markdown
# Лабораторная работа №3: Распознавание изображений
|
|
**Пивоваров Я.В; Сидора Д.А. — А-02-22**
|
|
## Номер бригады - 4
|
|
|
|
### Цель работы
|
|
|
|
Получить практические навыки создания, обучения и применения сверточных нейронных сетей для распознавания изображений. Познакомиться с
|
|
классическими показателями качества классификации.
|
|
|
|
### Определение варианта
|
|
|
|
- Номер бригады: k = 4
|
|
- random_state = (4k - 1) = 15
|
|
|
|
### Подготовка среды
|
|
|
|
```python
|
|
import os
|
|
os.chdir('/content/drive/MyDrive/Colab Notebooks/IS_LR3')
|
|
```
|
|
|
|
---
|
|
|
|
## ЗАДАНИЕ 1
|
|
|
|
### Пункт №1. Импорт необходимых для работы библиотек и модулей.
|
|
```python
|
|
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
|
|
```
|
|
|
|
### Пункт №2. Загрузка набора данных MNIST.
|
|
```python
|
|
from keras.datasets import mnist
|
|
(X_train, y_train), (X_test, y_test) = mnist.load_data()
|
|
```
|
|
|
|
### Пункт №3. Разбиение набора данных на обучающие и тестовые данные.
|
|
|
|
```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 = 15)
|
|
|
|
# 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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Shape of X train: (60000, 28, 28)
|
|
Shape of y train: (60000,)
|
|
Shape of X test: (10000, 28, 28)
|
|
Shape of y test: (10000,)
|
|
```
|
|
|
|
### Пункт №4. Проведене предобработки 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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
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)
|
|
```
|
|
|
|
### Пункт №5. Реализация модели сверточной нейронной сети и ее обучение.
|
|
|
|
```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()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
| 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 |
|
|
|
|
**Model: "sequential"**
|
|
**Total params:** 34,826 (136.04 KB)
|
|
**Trainable params:** 34,826 (136.04 KB)
|
|
**Non-trainable params:** 0 (0.00 B)
|
|
|
|
```
|
|
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)
|
|
```
|
|
|
|
### Пункт №6. Оценка качества обучения 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])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
accuracy: 0.9879 - loss: 0.0347
|
|
Loss on test data: 0.029493918642401695
|
|
Accuracy on test data: 0.9897000193595886
|
|
```
|
|
|
|
### Пункт №7. Выведение изображения, истинных меток и результатов распознавания.
|
|
|
|
```python
|
|
# вывод первого тестового изображения и результата распознавания
|
|
n = 123
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
plt.show()
|
|
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
|
print('Real mark: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
NN output: [[2.3518596e-06 6.1697922e-09 4.1554195e-08 9.1088831e-10 6.7171044e-08
|
|
4.2173593e-07 9.9999619e-01 4.8130029e-12 9.8848705e-07 3.4416045e-10]]
|
|
Real mark: 6
|
|
NN answer: 6
|
|
```
|
|
|
|
```python
|
|
# вывод второго тестового изображения и результата распознавания
|
|
n = 110
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
plt.show()
|
|
plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
|
|
print('Real mark: ', np.argmax(y_test[n]))
|
|
print('NN answer: ', np.argmax(result))
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
NN output: [[1.0611644e-07 1.0055461e-09 2.8356731e-06 1.8714800e-05 1.1500048e-09
|
|
8.8623995e-07 1.1646066e-07 5.1164142e-12 9.9997735e-01 4.7718437e-08]]
|
|
Real mark: 8
|
|
NN answer: 8
|
|
```
|
|
|
|
### Пункт №8. Вывод отчета о качестве классификации 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()
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
precision recall f1-score support
|
|
|
|
0 0.99 0.99 0.99 980
|
|
1 0.99 1.00 0.99 1135
|
|
2 0.98 0.99 0.99 1032
|
|
3 0.99 0.99 0.99 1010
|
|
4 0.99 0.99 0.99 982
|
|
5 0.99 0.99 0.99 892
|
|
6 1.00 0.99 0.99 958
|
|
7 0.99 0.98 0.99 1028
|
|
8 0.98 0.99 0.99 974
|
|
9 0.99 0.98 0.99 1009
|
|
|
|
accuracy 0.99 10000
|
|
macro avg 0.99 0.99 0.99 10000
|
|
weighted avg 0.99 0.99 0.99 10000
|
|
```
|
|
|
|
### Пункт №9. Подача на вход обученной нейронной сети собственного изображения.
|
|
|
|
```python
|
|
# загрузка собственного изображения 1
|
|
from PIL import Image
|
|
file_data = Image.open('test.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 = np.reshape(test_img, (1,28,28,1))
|
|
|
|
# распознавание
|
|
result = model.predict(test_img)
|
|
print('I think it\'s ', np.argmax(result))
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
I think it's 2
|
|
```
|
|
|
|
```python
|
|
# загрузка собственного изображения 2
|
|
from PIL import Image
|
|
file_data = Image.open('test_2.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 = np.reshape(test_img, (1,28,28,1))
|
|
|
|
# распознавание
|
|
result = model.predict(test_img)
|
|
print('I think it\'s ', np.argmax(result))
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
I think it's 8
|
|
```
|
|
|
|
### Пункт №10. Загрузка с диска модели, сохраненной при выполнении лабораторной работы №1.
|
|
|
|
```python
|
|
# путь к сохранённой модели из ЛР1
|
|
model_fc = keras.models.load_model('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
|
|
|
|
# архитектура модели
|
|
model_fc.summary()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
| Layer (type) | Output Shape | Param # |
|
|
|--------------------|-------------------|---------|
|
|
| dense_1 (Dense) | (None, 100) | 78,500 |
|
|
| dense_2 (Dense) | (None, 10) | 1,010 |
|
|
|
|
**Model: "sequential_1"**
|
|
**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
|
|
# подготовка тестовых данных для полносвязной модели
|
|
X_test_fc = X_test.reshape(X_test.shape[0], 28*28) # (10000, 784)
|
|
y_test_fc = y_test # если в ЛР3 ты уже перевёл метки в one-hot
|
|
|
|
# оценка качества, как в п. 6
|
|
scores = model_fc.evaluate(X_test_fc, y_test_fc, verbose=0)
|
|
print('Loss on test data (FC model):', scores[0])
|
|
print('Accuracy on test data (FC model):', scores[1])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
Loss on test data (FC model): 0.19745591282844543
|
|
Accuracy on test data (FC model): 0.9442999958992004
|
|
```
|
|
|
|
### Пункт №11. Сравнение обученной модели сверточной сети и наилучшей модели полносвязной сети из лабораторной работы №1.
|
|
|
|
**Сравнение моделей:**
|
|
```
|
|
Количество настраиваемых параметров в сети:
|
|
Сверточная сеть: 34 826 параметров.
|
|
Полносвязная сеть: 79 512 параметров.
|
|
При том что число параметров сверточной сети меньше в 2 раза, она показывает более высокие результаты. Это связано с более эффективным использовании весов за счёт свёрток и фильтров.
|
|
|
|
Количество эпох обучения:
|
|
Сверточная сеть обучалась 15 эпох.
|
|
Полносвязная сеть обучалась 100 эпох.
|
|
Cверточная модель достигает лучшего результата при меньшем количестве эпох, то есть сходится быстрее и обучается эффективнее.
|
|
|
|
Качество классификации тестовой выборки:
|
|
Сверточная сеть: Accuracy ≈ 0.989, loss ≈ 0.025.
|
|
Полносвязная сеть: Accuracy ≈ 0.944, loss ≈ 0.197.
|
|
Сверточная нейросеть точнее на 4,5 процента, при этом её ошибка почти в 8 раз меньше.
|
|
|
|
Вывод:
|
|
Использование сверточной нейронной сети для распознавания изображений даёт ощутимо лучший результат по сравнению с полносвязной моделью. Сверточная нейронная сеть требует меньше параметров, быстрее обучается и точнее распознаёт изображения, поскольку учитывает их структуру и выделяет важные визуальные особенности.
|
|
```
|
|
|
|
## ЗАДАНИЕ 2
|
|
|
|
### Пункт №1. Импорт необходимых для работы библиотек и модулей.
|
|
```python
|
|
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
|
|
```
|
|
|
|
### Пункт №2. Загрузка набора данных CIFAR-10.
|
|
```python
|
|
from keras.datasets import cifar10
|
|
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
|
|
```
|
|
|
|
### Пункт №3. Разбиение набора данных на обучающие и тестовые данные.
|
|
|
|
```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 = 50000,
|
|
random_state = 15)
|
|
# 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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
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)
|
|
```
|
|
|
|
```python
|
|
# вывод 25 изображений из обучающей выборки с подписями классов
|
|
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()
|
|
```
|
|
|
|
|
|
|
|
### Пункт №4. Проведене предобработки 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
|
|
|
|
# Расширяем размерность входных данных, чтобы каждое изображение имело
|
|
# размерность (высота, ширина, количество каналов)
|
|
|
|
|
|
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)
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
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)
|
|
```
|
|
|
|
### Пункт №5. Реализация модели сверточной нейронной сети и ее обучение.
|
|
|
|
```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()
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
|
|
| 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 |
|
|
|
|
**Model: "sequential_1"**
|
|
**Total params:** 160,202 (625.79 KB)
|
|
**Trainable params:** 160,202 (625.79 KB)
|
|
**Non-trainable params:** 0 (0.00 B)
|
|
|
|
```
|
|
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)
|
|
```
|
|
|
|
### Пункт №6. Оценка качества обучения 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])
|
|
```
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
accuracy: 0.6606 - loss: 0.9661
|
|
Loss on test data: 0.9636631608009338
|
|
Accuracy on test data: 0.6610000133514404
|
|
```
|
|
|
|
### Пункт №7. Выведение изображения, истинных меток и результатов распознавания.
|
|
|
|
```python
|
|
# правильно распознанное изображение
|
|
n = 10
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n])
|
|
plt.show()
|
|
|
|
print('Real class: ', np.argmax(y_test[n]), '->', class_names[np.argmax(y_test[n])])
|
|
print('NN answer:', np.argmax(result), '->', class_names[np.argmax(result)])
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
NN output: [[0.10896349 0.00272794 0.09209334 0.0585838 0.10545123 0.01161931 0.02007959 0.00301177 0.5926725 0.00479708]]
|
|
|
|
Real class: 8 -> ship
|
|
NN answer: 8 -> ship
|
|
```
|
|
|
|
```python
|
|
# неверно распознанное изображение
|
|
n = 9
|
|
result = model.predict(X_test[n:n+1])
|
|
print('NN output:', result)
|
|
|
|
plt.imshow(X_test[n])
|
|
plt.show()
|
|
|
|
print('Real class: ', np.argmax(y_test[n]), '->', class_names[np.argmax(y_test[n])])
|
|
print('NN answer:', np.argmax(result), '->', class_names[np.argmax(result)])
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
NN output: [[1.3848362e-03 7.8314954e-01 3.4030385e-05 9.6045173e-04 9.4775232e-06 1.3942986e-04 1.3377360e-03 4.9578721e-06 9.0055494e-03 2.0397398e-01]]
|
|
|
|
Real class: 9 -> truck
|
|
NN answer: 1 -> automobile
|
|
```
|
|
|
|
### Пункт №8. Вывод отчета о качестве классификации 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"
|
|
display = ConfusionMatrixDisplay(confusion_matrix=conf_matrix,
|
|
display_labels=class_names)
|
|
display.plot(xticks_rotation=45)
|
|
plt.show()
|
|
```
|
|
|
|
|
|
|
|
**Результат выполнения:**
|
|
```
|
|
precision recall f1-score support
|
|
|
|
airplane 0.74 0.65 0.69 1015
|
|
automobile 0.81 0.76 0.78 933
|
|
bird 0.54 0.54 0.54 1010
|
|
cat 0.50 0.40 0.44 1025
|
|
deer 0.60 0.61 0.60 998
|
|
dog 0.52 0.62 0.57 1006
|
|
frog 0.70 0.77 0.73 1010
|
|
horse 0.73 0.70 0.71 1005
|
|
ship 0.77 0.79 0.78 1001
|
|
truck 0.72 0.78 0.75 997
|
|
|
|
accuracy 0.66 10000
|
|
macro avg 0.66 0.66 0.66 10000
|
|
weighted avg 0.66 0.66 0.66 10000
|
|
|
|
``` |