From 51ad494b5aad5cb9d5abd02e6ce9a25357721d8d Mon Sep 17 00:00:00 2001 From: s450026 Date: Tue, 26 May 2020 23:49:00 +0200 Subject: [PATCH] abc --- Podprojekt-CNN-Maksymilian-Kierski.md | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/Podprojekt-CNN-Maksymilian-Kierski.md b/Podprojekt-CNN-Maksymilian-Kierski.md index b73c6e7..49d42ec 100644 --- a/Podprojekt-CNN-Maksymilian-Kierski.md +++ b/Podprojekt-CNN-Maksymilian-Kierski.md @@ -35,7 +35,7 @@ for category in CATEGORIES: pass random.shuffle(training_data) ``` -Tutaj nasze dane wejściowe są odpowiednio przetwarzane. Na początku zdjęcie jest z czytywane, oraz przetwarzane aby każdy pixel był w skali szarości 0 - 255 (ponieważ kolor w tym zadaniu według mnie, nie odgrywa ważnej roli). Następnie skalowany jest do mniejszych rozmiarów i w końcu jako macierz zadeklarowanych wymiarów trafia do tablicy ze swoją etykietą. Na końcu cała tablica jest przetasowywana, aby umożliwić modelowi lepszą naukę. +Tutaj nasze dane wejściowe są odpowiednio przetwarzane. Na początku zdjęcie jest sczytywane, oraz przetwarzane aby każdy pixel był w skali szarości 0 - 255 (ponieważ kolor w tym zadaniu według mnie, nie odgrywa ważnej roli). Następnie skalowany jest do mniejszych rozmiarów i w końcu jako macierz zadeklarowanych wymiarów trafia do tablicy ze swoją etykietą. Na końcu cała tablica jest przetasowywana, aby umożliwić modelowi lepszą naukę. Teraz dane zostają podzielone na zestaw cech i zestaw etykiet, oraz zostają zapisane do plików za pomocą **pickle**. ``` @@ -52,7 +52,7 @@ y = pickle.load(pickle_in) ### Tworzenie modelu i proces jego nauki #### Wczytywanie danych potrzebnych do nauki modelu -Na początku z czytywane są odpowiednio przygotowane dane (funkcja load_dataset) +Na początku sczytywane są odpowiednio przygotowane dane (funkcja load_dataset) ``` pickle_in = open(relative_path + 'SavedData/X.pickle', 'rb') X = pickle.load(pickle_in) @@ -123,7 +123,7 @@ model.add(Conv2D(64, (3, 3))) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=(2, 2))) ``` -Na koniec spłaszczam naszą trój wymiarową tablice, na macierz stosując funkcje Flatten(), oraz używam warstwę Dense z tylko jednym neuronem, który będzie naszym wynikiem. Funkcja aktywacji jest to oczywiście funkcja sigmoid ponieważ chcemy otrzymać wynik (0-1). +Na koniec spłaszczam naszą trójwymiarową tablice, na macierz stosując funkcje Flatten(), oraz używam warstwę Dense z tylko jednym neuronem, który będzie naszym wynikiem. Funkcja aktywacji jest to oczywiście funkcja sigmoid ponieważ chcemy otrzymać wynik (0-1). ``` model.add(Flatten())