From 464ada76f26cd8dd52cbbfc074a7abfdbbc640fa Mon Sep 17 00:00:00 2001
From: Kacper Dudzic <kacdud1@st.amu.edu.pl>
Date: Thu, 5 May 2022 22:41:58 +0200
Subject: [PATCH] Delete 'simple_regression_lab7.py'

---
 simple_regression_lab7.py | 89 ---------------------------------------
 1 file changed, 89 deletions(-)
 delete mode 100644 simple_regression_lab7.py

diff --git a/simple_regression_lab7.py b/simple_regression_lab7.py
deleted file mode 100644
index 33c6e4f..0000000
--- a/simple_regression_lab7.py
+++ /dev/null
@@ -1,89 +0,0 @@
-import tensorflow as tf
-from keras import layers
-from keras.models import save_model
-import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
-import sys
-from sacred import Experiment
-from sacred.observers import FileStorageObserver
-from sacred.observers import MongoObserver
-
-# Stworzenie obiektu klasy Experiment do śledzenia przebiegu regresji narzędziem Sacred
-ex = Experiment()
-
-# Dodanie obserwatora FileObserver
-ex.observers.append(FileStorageObserver('runs'))
-
-#Dodanie obserwatora Mongo
-ex.observers.append(MongoObserver(url='mongodb://mongo_user:mongo_password_IUM_2021@localhost:27017', db_name='sacred'))
-
-# Przykładowa modyfikowalna z Sacred konfiguracja wybranych parametrów treningu
-@ex.config
-def config():
-    units = 1
-    learning_rate = 0.1
-
-
-# Reszta kodu wrzucona do udekorowanej funkcji train do wywołania przez Sacred, żeby coś było capture'owane
-@ex.capture
-def train(units, learning_rate, _run):
-    # Pobranie przykładowego argumentu trenowania z poziomu Jenkinsa
-    EPOCHS_NUM = int(sys.argv[1])
-
-    # Wczytanie danych
-    data_train = pd.read_csv('lego_sets_clean_train.csv')
-    data_test = pd.read_csv('lego_sets_clean_test.csv')
-
-    # Wydzielenie zbiorów dla predykcji ceny zestawu na podstawie liczby klocków, którą zawiera
-    train_piece_counts = np.array(data_train['piece_count'])
-    train_prices = np.array(data_train['list_price'])
-    test_piece_counts = np.array(data_test['piece_count'])
-    test_prices = np.array(data_test['list_price'])
-
-    # Normalizacja
-    normalizer = layers.Normalization(input_shape=[1, ], axis=None)
-    normalizer.adapt(train_piece_counts)
-
-    # Inicjalizacja
-    model = tf.keras.Sequential([
-        normalizer,
-        layers.Dense(units=units)
-    ])
-
-    # Kompilacja
-    model.compile(
-        optimizer=tf.optimizers.Adam(learning_rate=learning_rate),
-        loss='mean_absolute_error'
-    )
-
-    # Trening
-    history = model.fit(
-        train_piece_counts,
-        train_prices,
-        epochs=EPOCHS_NUM,
-        verbose=0,
-        validation_split=0.2
-    )
-
-    # Wykonanie predykcji na danych ze zbioru testującego
-    y_pred = model.predict(test_piece_counts)
-
-    # Zapis predykcji do pliku
-    results = pd.DataFrame(
-        {'test_set_piece_count': test_piece_counts.tolist(), 'predicted_price': [round(a[0], 2) for a in y_pred.tolist()]})
-    results.to_csv('lego_reg_results.csv', index=False, header=True)
-
-    # Zapis modelu do pliku standardowo poprzez metodę kerasa i poprzez metodę obiektu Experiment z Sacred
-    model.save('lego_reg_model')
-    ex.add_artifact('lego_reg_model_art')
-
-    # Przykładowo zwracamy coś w charakterze wyników, żeby było widoczne w plikach zapisanych przez obserwator
-    hist = pd.DataFrame(history.history)
-    hist['epoch'] = history.epoch
-    _run.info["train_results"] = str(hist.tail())
-    return hist.tail()
-
-@ex.automain
-def main(units, learning_rate):
-    print(train())
\ No newline at end of file