{"cells":[{"metadata":{"_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","trusted":true},"cell_type":"code","source":"# This Python 3 environment comes with many helpful analytics libraries installed\n# It is defined by the kaggle/python Docker image: https://github.com/kaggle/docker-python\n# For example, here's several helpful packages to load\n\nimport numpy as np # linear algebra\nimport pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)\n\n# Input data files are available in the read-only \"../input/\" directory\n# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directory\n\nimport os\nfor dirname, _, filenames in os.walk('/kaggle/input'):\n    for filename in filenames:\n        print(os.path.join(dirname, filename))\n\n# You can write up to 5GB to the current directory (/kaggle/working/) that gets preserved as output when you create a version using \"Save & Run All\" \n# You can also write temporary files to /kaggle/temp/, but they won't be saved outside of the current session","execution_count":null,"outputs":[]},{"metadata":{"_uuid":"d629ff2d2480ee46fbb7e2d37f6b5fab8052498a","_cell_guid":"79c7e3d0-c299-4dcb-8224-4455121ee9b0","trusted":true},"cell_type":"code","source":"import tensorflow as tf\nimport keras\nimport os\nimport pandas as pd\nimport time\nimport numpy as np\nimport matplotlib.pyplot as plt\nplt.style.use('ggplot')\n%matplotlib inline\n\nfrom sklearn.model_selection import train_test_split\nfrom keras.datasets import mnist\nfrom keras.preprocessing.image import ImageDataGenerator\nfrom keras.utils import to_categorical\nfrom keras.layers import Input, Conv2D, Dense, Activation, AveragePooling2D\\\n,Flatten, Lambda, Reshape, LocallyConnected2D, BatchNormalization, MaxPool2D, Dropout\nfrom keras.models import Model\nfrom keras.callbacks import CSVLogger, ModelCheckpoint, ReduceLROnPlateau, EarlyStopping","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"#Load data\ndirname = '/kaggle/input/Kannada-MNIST'\noutput_dirname = '/kaggle/output/kaggle/working'\n\ntrain_df = pd.read_csv(os.path.join(dirname, 'train.csv'))\ntest_df = pd.read_csv(os.path.join(dirname, 'test.csv'))\ndig_df = pd.read_csv(os.path.join(dirname, 'Dig-MNIST.csv'))\nsample_df = pd.read_csv(os.path.join(dirname, 'sample_submission.csv'))\n","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"#Prepare data\nX = train_df.drop('label', axis=1).to_numpy()\ny = train_df['label'].to_numpy()\nX_dig = dig_df.drop('label', axis=1).to_numpy()\ny_dig = dig_df['label'].to_numpy()\nX_test = test_df.drop('id', axis=1).to_numpy()\n\nX = X.reshape(-1, 28, 28, 1)\ny = to_categorical(y)\nX_dig = X_dig.reshape(-1, 28, 28, 1)\ny_dig = to_categorical(y_dig)\nX_test = X_test.reshape(-1, 28, 28, 1)\n\nX = X / 255\nX_dig = X_dig / 255\nX_test = X_test / 255\n\nseed = 33\nnp.random.RandomState(seed)\nvalid_size=0.15\n\nX_train, X_valid, y_train, y_valid = train_test_split(X, y,\\\ntest_size=valid_size, random_state=seed)","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"<center>$\\textbf{ЗАДАНИЕ 1}$<center>"},{"metadata":{"trusted":true},"cell_type":"code","source":"#Create Model\ndef create_model():\n    input_layer = Input(shape=(28, 28, 1))\n    x = Conv2D(filters=6, kernel_size=(5, 5), padding='Same', activation='tanh')(input_layer)\n    x = AveragePooling2D()(x)\n    x = Activation('tanh')(x)\n    x = Conv2D(filters=16, kernel_size=(5, 5), activation='tanh')(x)\n    x = AveragePooling2D()(x)\n    x = Activation('tanh')(x)\n    x = Conv2D(filters=120, kernel_size=(5, 5), activation='tanh')(x)\n    x = Flatten()(x)\n    x = Dense(84, activation='tanh')(x)\n    output = Dense(10, activation='softmax')(x)\n\n    model = Model(inputs=[input_layer], outputs=[output])\n    \n    return model","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"model = create_model()\nmodel.summary()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"model.compile(optimizer=keras.optimizers.SGD(),\n             loss='categorical_crossentropy',\n             metrics=['accuracy'])","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"#model.fit(X_train, y_train, batch_size=16, epochs=30, verbose=1, validation_split=0.1)","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"\nОтмечу сразу,что в \"LeNet-5\" после пулинга я добавил как и гласила инструкция функцию активации \"tanh\", хотя я находил реализации где этой функции не было(и это логично, именно от этого псевдослоя пользы минимум). Точность на валидации 0.992. Вцелом, это признак того, что мы скорее хорошо обучились, чем переобучились, но если залить этот LeNet-5, то результат будет куда меньше, смею предположить, что это всё таки связано не с переобучением, а с тем, что выборка, которую нам дали не в полной мере представляет данные на которых будет произведенна проверка"},{"metadata":{},"cell_type":"markdown","source":"<center>$\\textbf{ЗАДАНИЕ 2}$<center>\n"},{"metadata":{"trusted":true},"cell_type":"code","source":"model = create_model()\nmodel.summary()\nmodel.compile(optimizer=keras.optimizers.SGD(),\n             loss='categorical_crossentropy',\n             metrics=['accuracy'])\n\n#model.fit(X_train, y_train, batch_size=512, epochs=30, verbose=1, validation_split=0.1,\n#         callbacks=[ReduceLROnPlateau(factor=0.1, patieecne=1, min_delta=0.01),])","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"\nУвеличив размер батча, я тем самым уменьшил количество шагов градиентного спуска, что в свою очередь теоритический говорит о том, что модель недоучится. Что и подтверждается практикой, ибо точность на валидации 0.96. "},{"metadata":{},"cell_type":"markdown","source":"<center>$\\textbf{ЗАДАНИЕ 3}$<center>"},{"metadata":{"trusted":true},"cell_type":"code","source":"datagen = ImageDataGenerator(\n        featurewise_center=False,\n        samplewise_center=False,\n        featurewise_std_normalization=False,\n        samplewise_std_normalization=False,\n        zca_whitening=False, \n        rotation_range=10, \n        zoom_range = 0.1,\n        width_shift_range=0.1,\n        height_shift_range=0.1,  \n        horizontal_flip=False,\n        vertical_flip=False)\n\n\ndatagen.fit(X_train)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"#Create Model\ndef create_my_model():\n    input_layer = Input(shape=(28, 28, 1))\n    x = Conv2D(filters=32, kernel_size=(5, 5), padding='Same', activation='relu')(input_layer)\n    x = Conv2D(filters=32, kernel_size=(5, 5), padding='Same', activation='relu')(x)\n    x = BatchNormalization(momentum=.15)(x)\n    x = MaxPool2D(pool_size=(2,2))(x)\n    x = Dropout(0.25)(x)\n    \n    x = Conv2D(filters=64, kernel_size=(3, 3), padding='Same', activation='relu')(x)\n    x = Conv2D(filters=64, kernel_size=(3, 3), padding='Same', activation='relu')(x)\n    x = BatchNormalization(momentum=.15)(x)\n    x = MaxPool2D(pool_size=(2,2))(x)\n    x = Dropout(0.25)(x)\n    \n    x = Conv2D(filters=32, kernel_size=(5, 5), padding='Same', activation='relu')(x)\n    x = Conv2D(filters=32, kernel_size=(5, 5), padding='Same', activation='relu')(x)\n    x = BatchNormalization(momentum=.15)(x)\n    x = MaxPool2D(pool_size=(2,2))(x)\n\n    x = Flatten()(x)\n    x = Dense(256, activation=\"relu\")(x)\n    x = Dropout(0.4)(x)\n    output = Dense(10, activation='softmax')(x)\n\n    model = Model(inputs=[input_layer], outputs=[output])\n    \n    return model","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"my_model = create_my_model()\nmy_model.summary()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"my_model.compile(optimizer=keras.optimizers.Adam(),\n             loss='categorical_crossentropy',\n             metrics=['accuracy'])","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"my_model.fit(datagen.flow(X_train, y_train, batch_size=64), \n         epochs=30, \n         verbose=1, validation_data = (X_valid, y_valid),\n         callbacks=[ReduceLROnPlateau(monitor='val_accuracy',\n                                      factor=0.5, \n                                      patieecne=3,\n                                      verbose=1,\n                                      min_lr=0.00001),])","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"y_result = my_model.predict(X_test)\ny_result = np.argmax(y_result, axis=1)\n\nsample_df['label'] = y_result\nsample_df.to_csv('submission.csv', index=False)","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"<center>$\\textbf{ЗАДАНИЕ 4}$<center>"},{"metadata":{},"cell_type":"markdown","source":"\nНа самом деле это не полностью мною придуманная нейросеть, а комбинация идей, уже\nхорошо себя проявивших сетей на этом конкурсе.\n\n1) Ну функция активации была использована 'relu', потому что 'tanh' быстро перенасыщяется\n\n2) Ну после того как функция активации поменялась, то значения на выходе перестали \nбыть номрализованными, поэтому да, конечно теперь полезно будет применять батч-нормализацию.\n\nЕщё пару основных идей, что используются:\n\n1) Достаточно полезным будет нагенеривание больше входных данных путём, модификации\nданного обучающегося датасета. То есть небольшого поворота картинки или сдвига.\n\n2) Применение большого свёрточного слоя, путём применения двух последоватеных \nмаленьких свёрточных слоёв. Что уменьшит общее количество параметров. Именно\nпоэтому(я так думаю) не стоит между ними вставлять батчнормализации, ибо хоть\nи используется \"relu\", но два этих слоя несут одну смысловую нагрузку.\n\n3)Вместо AveragePooling используется MaxPool2D я так думаю, что это всё ради чёткого\n\nвыделения границы нарисованной фигуры,а не плавного перехода.\n\n4)Dropout, что бы один нейрон не брал на себя весь функционал.\n\n\n"},{"metadata":{},"cell_type":"markdown","source":"<center>$\\textbf{ЗАДАНИЕ 5}$<center>\n"},{"metadata":{"trusted":true},"cell_type":"code","source":"\noptimizers = {\n    'sgd': 'SGD',\n    'sgd_mom': keras.optimizers.SGD(momentum=0.5),\n    'rmsprop': 'RMSprop',\n    'adam': 'Adam',\n}\n","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"historys = {}\nmodels = {}\nnum_epochs = 1\n\nfor n, optimizer in enumerate(optimizers):\n    models[optimizer] = create_my_model()\n    \n    models[optimizer].compile(optimizer=optimizers[optimizer],\n             loss='categorical_crossentropy',\n             metrics=['accuracy'])\n    \n    start = time.time()\n    h = models[optimizer].fit(X_train, y_train, \n                              batch_size=1024, \n                              epochs=num_epochs, \n                              verbose=0, \n                              validation_data=(X_valid, y_valid),\n                             callbacks=[ReduceLROnPlateau(monitor='val_accuracy',\n                                      factor=0.5, \n                                      patieecne=3,\n                                      verbose=1,\n                                      min_lr=0.00001),\n                                       CSVLogger(\"{0}.log\".format(optimizer))]\n                             )\n    historys[optimizer] = h.history\n    \n    \n    print(\"{0} Optimizer: \".format(optimizer))\n    print(\"accuracy: {0}, val_accuracy {1}, time {2} minutes: \".format(\\\n        historys[optimizer]['accuracy'][-1], \n        historys[optimizer]['val_accuracy'][-1],\n        (time.time() - start) / 60))                                             ","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"def plot_accuracy(historys, names, epochs=num_epochs, filter_n=1):\n    plt.figure(figsize=(15, 5))\n    styles=[':','-.','--','-']\n    \n    for n, h in enumerate(historys.values()):\n        val_acc = h['val_accuracy']\n            \n        plt.plot(val_acc, linestyle=styles[n])\n    \n    plt.title('Model validation accuracy')\n    plt.ylabel('accuracy')\n    plt.xlabel('epoch')\n    plt.legend(names, loc='upper left')\n    axes = plt.gca()\n    axes.set_ylim([0.98, 0.997])\n    axes.set_xlim([0, epochs-1])","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"plot_accuracy(historys, optimizers.keys())","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Именно смотрят на это график, я решил выбрать оптимизацию по \"Adam\". Такии скачки вниз у \"rmsprop\" скорее всего можно объяснить что мы попали в локальный минимум и\nблагополучно выбрались из него. Вряди ли это было связано с неудачным батчом, ибо размер батча был достаточно большим(1024). Ну наверно можно ещё сказать, что \"sgd\" с моментом быстрее обучается, связано это с тем, что он быстрее набирает скорость за счет инерции и локальыне минимумы его не стопят."},{"metadata":{"trusted":true},"cell_type":"code","source":"","execution_count":null,"outputs":[]}],"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"pygments_lexer":"ipython3","nbconvert_exporter":"python","version":"3.6.4","file_extension":".py","codemirror_mode":{"name":"ipython","version":3},"name":"python","mimetype":"text/x-python"}},"nbformat":4,"nbformat_minor":4}