Удалить 'sieci.md'

sieci.md

@@ -1,89 +0,0 @@
-# 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)
-        
-        
-
-