fix report

Podprojekt-CNN-Maksymilian-Kierski.md

@@ -2,7 +2,9 @@
 
 
 **Autor:** Maksymilian Kierski
+
 **Raportowany okres:** 15.05.2020-26.05.2020 
+
 **Wybrana metoda uczenia:** Splotowe sieci neuronowe (CNN)
 
 ## Cel podprojektu
@@ -128,9 +130,16 @@ model.add(Flatten())
 model.add(Dense(1))
 model.add(Activation('sigmoid'))
 ```
+Następnie zachodzi kompilacja modelu. Używam funkcję straty **binary_crosentropy** , ponieważ mierzymy się z problemem klasyfikacji binarnej. Problem klasyfikacji binarnej jest wtedy, gdy do rozpatrzenia mamy tylko dwa przypadki, w tym zadaniu talerz z jedzeniem(0) oraz bez jedzenia(1). Optymalizator, który użyłem jest to **adam**, a za pomocą **metrics** aktywuje monitorowanie dokładności.
+Kilka słów o optymalizatorze **adam** - _Adam_, jest obecnie zalecany przy większości zadań optymalizacyjnych związanych z uczeniem, ponieważ łączy on zalety Adadelty i RMSprop, a zatem lepiej radzi sobie z większością problemów.
 
 
+Na sam koniec wywołuję funkcję uczenia, oraz zapisuję model do wykorzystania go w projekcie głównym.
+```
+model.fit(X, y, batch_size=32, epochs=10, validation_split=0.1, callbacks=[tenserboard])  
   
+model.save(relative_path + 'SavedModels/{}.model'.format(NAME))
+```
 ## Integracja z projektem
 
 Podprojekt wywołujemy naciskając **m** na klawiaturze, kelner wtedy wybiera losowo stolik i do niego idzie zaimplementowanym wcześniej algorytmem A*. Po dotarciu do wybranego miejsca, możemy wywołać funkcje sprawdzającą talerz **use_model_to_predict('img')**
@@ -147,3 +156,4 @@ prediction = model.predict([prepare(relative_path + 'TestData/' + name + '.jpg')
 return int(prediction[0][0])
 ```
 Funkcja ta konwertuję zdjęcie zadeklarowane do wylosowanego stolika oraz odpowiednio je konwertuję. Następnie ładuję zadeklarowany model przez nas model, który  zwraca nam odpowiednią liczbę, która w int() daje 0 lub 1. Odpowiednio 0 to talerz pełny a 1 to pusty. Dzięki czemu funkcją **text_speech()** możemy wyświetlić odpowiednią informacje na ekranie.   
+