NeuralNetwork.md

@@ -1,70 +0,0 @@
-# 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
-