From 62dbc4fd7f0f7ab897bf9e927b22213f1eceb5ed Mon Sep 17 00:00:00 2001
From: Daria Vodzinska <darvod@st.amu.edu.pl>
Date: Mon, 8 Jun 2020 11:58:53 +0000
Subject: [PATCH] =?UTF-8?q?=D0=97=D0=B0=D0=B3=D1=80=D1=83=D0=B7=D0=B8?=
 =?UTF-8?q?=D1=82=D1=8C=20=D1=84=D0=B0=D0=B9=D0=BB=D1=8B=20''?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 sieci.md | 89 ++++++++++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 89 insertions(+)
 create mode 100644 sieci.md

diff --git a/sieci.md b/sieci.md
new file mode 100644
index 0000000..5445256
--- /dev/null
+++ b/sieci.md
@@ -0,0 +1,89 @@
+# Temat podptojektu:
+Stworzenie sieci neuronowej, która rozpoznaje odręcznie napisaną na paczce  liczbę, która oznacza producenta paczki.
+
+# Uczenie modelu
+## Dane wejściowe:
+### Pakiet Keras MNIST:
+- dwa pliki:
+        - Plik z obrazkami
+       -  Plik z poprawnymi odpowiedziami
+### Format obrazków:
+- rozmiar 28x28
+-  odcienie szarości (0-biały, 255- czarny)
+- obrazki w postaci binarnej są zapisane w jeden plik
+## Praca z pakietem:
+1. Zdefiniowano dane treningowe: tensory wejściowe i tensory wartości docelowych.
+2. Zdefiniowano warstwy sieci (lub modelu) przypisującej dane wejściowe do docelowych wartości.
+3. Skonfigurowano proces uczenia, wybierając funkcję straty, optymalizator i monitorowane metryki.
+4. Wykonano iteracje procesu uczenia na danych treningowych, wywołując metodę
+fit() zdefiniowanego modelu
+
+# Proces uczenia
+-ustawiam seed, aby powtarzać wyniki
+-pobieram dane
+- konwertuję wymiary obrazu
+- normalizuję dane
+- konwertuję etykiety w kategorie
+## Inicjalizuję sieć neuronową (sieć sekwencyjna).
+    model = Sequential()
+    model.add(Conv2D(75, kernel_size=(5, 5),
+                 activation='relu',
+                 input_shape=input_shape))
+    model.add(MaxPooling2D(pool_size=(2, 2)))
+    model.add(Dropout(0.2))
+    model.add(Conv2D(100, (5, 5), activation='relu'))
+    model.add(MaxPooling2D(pool_size=(2, 2)))
+    model.add(Dropout(0.2))
+    model.add(Flatten())
+    model.add(Dense(500, activation='relu'))
+    model.add(Dropout(0.5))
+    model.add(Dense(10, activation='softmax'))
+### Dołączam kolejno warstwy:
+- Conv2D - mnoży obrazek przez macierz 2x2
+- activation='relu' - zeruje negatywne wyniki (funkcja aktuwacji)
+- MaxPooling2D - zmienia rozdzielczość zdjęcia
+- Droupout - ogranicza nadmierne dopasowanie
+- Flatten - spłaszcza macierz do wektora
+- Dense(10) - decyduje o przynależności zdjęcia do kategorii (cyfry od 0 do 9)
+Activation='soft-max' - zwraca rozkład prawdopodobieństwa 10 różnych klas
+
+## Kompilacja modelu:
+    model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
+Funkcja straty - "catecorical_crossentropy"
+Optymalizator - "Adam"
+Monitorowanie dokładności - "accuracy"
+
+## Trenowanie modelu:
+    model.fit(X_train, Y_train, batch_size=200, epochs=10, validation_split=0.2, verbose=1)
+trenuję model za pomocą funkcji fit()
+### Pokazuję dokładność pracy na testowanych rannych
+    scores = model.evaluate(X_test, Y_test, verbose=0)
+    print("Dokadnosc na testowanych dannych: %.2f%%" % (scores[1]*100))
+    
+# Integracja z projektem
+Tworzę model i ładuję wagi nauczonego modelu.
+
+    image_cl = Sequential()
+    ImageClass(image_cl)
+    image_cl.load_weights('model_weights.h5')
+    
+Po podniesieniu paczki odpalana jest funkcja imgSkan(), która z czytuje ręcznie napisaną cyfrę i wpisuje nr producenta paczki.
+
+    def imgSkan():
+        img = files.upload()
+        !ls
+        img_path = '2.png'
+        img = image.load_img(img_path, target_size=(28, 28), color_mode = "grayscale")
+        plt.imshow(img.convert('RGBA'))
+        plt.show()
+        x = image.img_to_array(img)
+        x = np.expand_dims(x, axis=0)
+        x = 255 - x
+        x /= 255
+        prediction = model.predict(x)
+        prediction = np.argmax(prediction)
+        print("Cyfra:", prediction)
+        
+        
+
+