Lab1.py - master - Durbolay/Lab1

Lab1.py
124 строки6 KB
Durbolay
create Lab1.py
17 ноя 2025, 18:01
17 ноя 2025, 18:01ab8f193
# Импортируем библиотеки
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

# Загружаем dataset Fashion MNIST
(x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data()

# Смотрим на размерности массивов
print("x_train shape:", x_train.shape, "y_train shape:", y_train.shape)
print("x_test shape:", x_test.shape, "y_test shape:", y_test.shape)

# Создаем список с названиями классов (категорий одежды)
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

# Выведем несколько изображений из тренировочного набора
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], cmap=plt.cm.binary)
    plt.xlabel(class_names[y_train[i]])
plt.show()

# Нормализуем значения пикселей (от 0 до 1)
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

# Добавляем измерение для канала цвета (для черно-белых изображений канал = 1)
# Было: (60000, 28, 28) -> Стало: (60000, 28, 28, 1)
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)

# Преобразуем метки в one-hot encoding (категориальный формат)
# Например, метка 2 (Pullover) становится [0, 0, 1, 0, 0, 0, 0, 0, 0, 0]
y_train_categorical = keras.utils.to_categorical(y_train, 10)
y_test_categorical = keras.utils.to_categorical(y_test, 10)

# Выводим новую форму данных
print("x_train shape:", x_train.shape)
print("y_train_categorical shape:", y_train_categorical.shape)

# Создаем последовательную модель
model = keras.Sequential()

# Первый сверточный блок
model.add(keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # 32 фильтра размером 3x3
model.add(keras.layers.MaxPooling2D((2, 2))) # Слой пулинга, уменьшает размерность в 2 раза

# Второй сверточный блок (увеличиваем количество фильтров)
model.add(keras.layers.Conv2D(64, (3, 3), activation='relu'))
model.add(keras.layers.MaxPooling2D((2, 2)))

# Третий сверточный блок
model.add(keras.layers.Conv2D(64, (3, 3), activation='relu'))

# "Разворачиваем" 3D-тензор в 1D-вектор для подачи в полносвязные слои
model.add(keras.layers.Flatten())

# Полносвязные слои
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax')) # Выходной слой на 10 классов

# Выводим архитектуру модели
model.summary()

# Компилируем модель
model.compile(optimizer='adam',
              loss='categorical_crossentropy', # Используем эту функцию потерь для one-hot encoded меток
              metrics=['accuracy'])

# Обучаем модель (увеличим количество эпох до 10 для лучшего результата)
history = model.fit(x_train, y_train_categorical,
                    epochs=5,
                    batch_size=64,
                    validation_split=0.2) # Часть тренировочных данных используем для валидации во время обучения

# Строим графики обучения
plt.plot(history.history['accuracy'], label='Точность на обучении')
plt.plot(history.history['val_accuracy'], label='Точность на валидации')
plt.xlabel('Эпоха')
plt.ylabel('Точность')
plt.legend()
plt.show()

# Оцениваем модель на тестовых данных
test_loss, test_acc = model.evaluate(x_test, y_test_categorical, verbose=2)
print('\nТочность на тестовых данных (никогда не виденных моделью):', test_acc)

# Делаем предсказания для всего тестового набора
predictions = model.predict(x_test)

# Функция для красивого отображения результата предсказания
def plot_image(i, predictions_array, true_label, img):
    true_label, img = true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(img.squeeze(), cmap=plt.cm.binary) # Убираем размерность канала для отображения

    predicted_label = np.argmax(predictions_array)
    color = 'blue' if predicted_label == true_label else 'red'

    plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

# Выбираем несколько случайных изображений для отображения
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
start_index = 10 # Начинаем с какого-то индекса, чтобы не всегда показывать первые
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    index = i + start_index
    plt.subplot(num_rows, 2*num_cols, 2*i+1)
    plot_image(index, predictions[index], y_test, x_test)
plt.tight_layout()
plt.show()