Update 'final-evaluation.md'

NeuralNetwork.md

@@ -0,0 +1,70 @@
+# DSZI_Survival - Sieć Neuronowa
+### Autor: Jonathan Spaczyński
+
+## Cel zastosowania w projekcie
+W projekcie DSZI_Survival sieć neuronowa użyta jest do podejmowania decyzji przez agenta.
+Decyzja polega na rozpoznawaniu zdjęć owoców (jabłka i gruszki). W przypadku nie rozpoznania owocu przez
+agenta, dochodzi do zatrucia i agent umiera/przegrywa.
+
+## Przygotowanie danych
+
+* **Krok 1** Przechowywane zdjęcia owoców muszą przejść przez proces zamiany zdjęcia (.jpg) na dane, które
+mogą być wykorzystane przez sieć neuronową.
+
+```python
+CATEGORIES = ["Apple", "Pear"]
+IMG_SIZE = 64
+
+training_data = []
+
+
+def create_training_data():
+    for category in CATEGORIES:
+        path = os.path.join(DATADIR, category)
+        class_num = CATEGORIES.index(category)
+        for img in os.listdir(path):
+            try:
+                img_array = cv2.imread(os.path.join(path, img), cv2.IMREAD_GRAYSCALE)
+                new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))
+                training_data.append([new_array, class_num])
+            except Exception as e:
+                pass
+```
+zdjęcia są przechowywane w tablicy training_data wraz z klasyfikacją (class_num) odpowiadającą jakim typem owocu jest zdjęcie
+
+* **Krok 2** Bardzo ważnym krokiem jest pomieszanie danych. W przeciwnym wypadku nasz model po ciągłym otrzymywanie danych
+reprezentujących tylko jedną kategorię owoców mógłby się wyuczyć, aby tylko zgadywać tą kategorię.
+```python
+random.shuffle(training_data)
+```
+* **Krok 3** Ostatnim krokiem jest zaktualizowanie danych w taki sposób żeby były z przedziału
+od 0 d 255 (reprezentacja koloru danego pixela)
+```python
+X = X / 255.0
+```
+## Kilka słów na temat danych
+* **Ilość Danych** Do trenowania modelu wykorzystałem 8568 zdjęć gruszek i jabłek 
+z czego mniej więcej połowa danych była jednym z typów ww. owoców, a druga połowa
+reprezentowała pozostałą kategorią
+* **Dane wykorzystane do obliczenia skutecznośći** stanowiły małą i oddzielną część danych wykorzystanych do trenowania.
+## Model
+* **Dane wejściowe:** Dane o kształcie 64x64 reprezentujące pixele w zdjęciach owoców 
+* **Warstwa ukryta:** Składająca się z 128 "neuronów" wykorzystującą sigmoid jako funkcję aktywacyjną 
+* **Warstwa wyjściowa:** Składająca się z 2 "neuronów" reprezentujących gruszkę i jabłko
+* **Stała ucząca:** 0.001
+
+```python
+model = tf.keras.Sequential([
+    tf.keras.layers.Flatten(input_shape=(64, 64)),
+    tf.keras.layers.Dense(128, activation=tf.nn.sigmoid),
+    tf.keras.layers.Dense(2, activation=tf.nn.sigmoid)
+    ])
+
+model.compile(tf.keras.optimizers.Adam(lr=0.001),
+              loss="sparse_categorical_crossentropy",
+              metrics=["accuracy"])
+```
+## Osiągniecia modelu
+* **Trafność:** 86.4%
+* **Strata:** 0.312
+