3

labworks/LW3/report3.md

@@ -92,6 +92,7 @@ model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accur
 model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_split=0.1)
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/1.5.png)
+
 **6)Оценить качество обучения на тестовых данных. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных.**
 ```py
 # Оценка качества работы модели на тестовых данных
@@ -111,6 +112,7 @@ print('Real mark: ', np.argmax(y_test[n]))
 print('NN answer: ', np.argmax(result))
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/1.7.png)
+
 **8)Вывести отчет о качестве классификации тестовой выборки и матрицу ошибок для тестовой выборки.**
 ```py
 # истинные метки классов
@@ -129,6 +131,7 @@ plt.show()
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/1.8.1.png)
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/1.8.2.png)
+
 **9)Загрузить, предобработать и подать на вход обученной нейронной сети собственное изображение, созданное при выполнении лабораторной работы No1. Вывести изображение и результат распознавания.**
 ```py
 # загрузка собственного изображения
@@ -150,6 +153,7 @@ result = model.predict(test_img)
 print('I think it\'s ', np.argmax(result))
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/1.9.png)
+
 **10)Сравнить обученную модель сверточной сети и наилучшую модель полносвязной сети из лабораторной работы No1**
 · Количество параметров в CNN значительно меньше, чем в полносвязной сети, благодаря использованию сверток.
 · CNN потребовала меньше эпох для достижения высокой точности. 
@@ -178,6 +182,7 @@ print(f"X_test: {X_test.shape}")
 print(f"y_test: {y_test.shape}")
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/2.3.png)
+
 ```py
 # Визуализация 25 изображений
 class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
@@ -252,6 +257,7 @@ history = model.fit(X_train, y_train_categorical,
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/2.5.1.png)
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/2.5.2.png)
+
 ```py
 # Визуализация процесса обучения
 plt.figure(figsize=(12, 4))
@@ -274,6 +280,7 @@ plt.tight_layout()
 plt.show()
 ```
 ![alt text](http://uit.mpei.ru/git/NovikovDM/is_dnn/raw/branch/main/labworks/LW3/2.5.3.png)
+
 ```py
 # Пункт 6: Оценка качества
 test_loss, test_accuracy = model.evaluate(X_test, y_test_categorical, verbose=0)