{"cells":[{"metadata":{},"cell_type":"markdown","source":"# Распознавание объектов на изображениях из набора данных CIFAR-10\n"},{"metadata":{},"cell_type":"markdown","source":"Импорт библиотек"},{"metadata":{"trusted":true},"cell_type":"code","source":"import numpy as np\n# наборы данных для экспериментов\nfrom tensorflow.keras.datasets import cifar10\nimport tensorflow as tf\n## слои\n# последовательная модель (стек слоев)\nfrom tensorflow.keras.models import Sequential, Model\n# полносвязный слой и слой выпрямляющий матрицу в вектор\nfrom tensorflow.keras.layers import Dense, Flatten\n# слой выключения нейронов и слой нормализации выходных данных (нормализует данные в пределах текущей выборки)\nfrom tensorflow.keras.layers import Dropout, BatchNormalization, SpatialDropout2D, GaussianDropout\n# слои свертки и подвыборки\nfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D\n\n## callbacks и вспомогательные функции\n# работа с обратной связью от обучающейся нейронной сети\nfrom tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau\n# вспомогательные инструменты\nfrom tensorflow.keras import utils\nfrom tensorflow.keras.regularizers import *\nfrom tensorflow.keras.preprocessing import image\n\n## предварительно обученные нейронные сети и их вспомогательные инструменты\nfrom tensorflow.keras.applications.vgg16 import VGG16\nfrom tensorflow.keras.applications.vgg16 import preprocess_input, decode_predictions\nfrom tensorflow.keras.applications import ResNet50, InceptionV3, DenseNet201, EfficientNetB5, InceptionResNetV2, Xception, NASNetLarge, ResNet152V2\n\nimport os\nfrom tensorflow.random import set_seed\ndef seed_everything(seed):\n    np.random.seed(seed)\n    set_seed(seed)\n    os.environ['PYTHONHASHSEED'] = str(seed)\n    os.environ['TF_DETERMINISTIC_OPS'] = '1'\n\nseed = 42\nseed_everything(seed)\n\n# работа с изображениями\nfrom tensorflow.keras.preprocessing import image\nimport matplotlib.pyplot as plt\n%matplotlib inline ","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Загрузка данных"},{"metadata":{"_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","trusted":true},"cell_type":"code","source":"(X_train, y_train), (X_test, y_test) = cifar10.load_data()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"size = 75\nX_test = tf.image.resize(X_test, [size,size])\nX_train = tf.image.resize(X_train, [size,size])","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"X_train.shape","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Переменные"},{"metadata":{"trusted":true},"cell_type":"code","source":"# Размер мини-выборки\nbatch_size = 128\n# Количество классов изображений\nnb_classes = 10\n# Количество эпох для обучения\nnb_epoch = 25\n# Размер изображений\nimg_rows, img_cols = X_train.shape[1], X_train.shape[2]\n# Количество каналов в изображении: RGB\nimg_channels = X_train.shape[3]\n# Названия классов из набора данных\nclasses=['самолет', 'автомобиль', 'птица', 'кот', 'олень', 'собака', 'лягушка', 'лошадь', 'корабль', 'грузовик']","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"## Подготовка данных"},{"metadata":{"trusted":true},"cell_type":"code","source":"X_train /= 255\nX_test /= 255","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"Y_train = utils.to_categorical(y_train, nb_classes)\nY_test = utils.to_categorical(y_test, nb_classes)","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Смотрим на произвольное изображение"},{"metadata":{"trusted":true},"cell_type":"code","source":"n = 101\nplt.imshow(X_train[n].numpy())\nplt.show()\nprint(\"Номер класса:\", y_train[n][0])\nprint(\"Тип объекта:\", y_train[n][0])","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"# Строим модель"},{"metadata":{"trusted":true},"cell_type":"code","source":"# функция управляющая изменениями шага обучения в процессе тренировки нейронной сети\nLR_START = 0.00001\nLR_MAX = 0.0001\nLR_MIN = 0.00001\nLR_RAMPUP_EPOCHS = 5\nLR_SUSTAIN_EPOCHS = 2\nLR_EXP_DECAY = .8\n\ndef lrfn(epoch):\n    if epoch < LR_RAMPUP_EPOCHS:\n        lr = (LR_MAX - LR_START) / LR_RAMPUP_EPOCHS * epoch + LR_START\n    elif epoch < LR_RAMPUP_EPOCHS + LR_SUSTAIN_EPOCHS:\n        lr = LR_MAX\n    else:\n        lr = (LR_MAX - LR_MIN) * LR_EXP_DECAY**(epoch - LR_RAMPUP_EPOCHS - LR_SUSTAIN_EPOCHS) + LR_MIN\n    return lr\n    \nlr_callback = tf.keras.callbacks.LearningRateScheduler(lrfn, verbose=True)\n\n# построим график изменения шага обучение в зависимости от эпох\nrng = [i for i in range(nb_epoch)]\ny = [lrfn(x) for x in rng]\nplt.plot(rng, y)\nprint(\"Learning rate schedule: {:.3g} to {:.3g} to {:.3g}\".format(y[0], max(y), y[-1]))","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"%%time\ndef get_model(use_model):\n    # загружаем веса предварительно обученной нейронной сети\n    base_model = use_model(weights='imagenet', \n                      include_top=False, \n                      input_shape=(img_rows, img_cols, img_channels))\n    base_model.trainable = True\n    x = base_model.output\n    x = Flatten()(x)\n    x = Dense(128, activation='relu')(x)\n    x = BatchNormalization()(x)\n    x = GaussianDropout(0.8)(x)\n    predictions = Dense(nb_classes, activation='softmax')(x)\n    return Model(inputs=base_model.input, outputs=predictions)\n# создаем модель\nmodel = get_model(InceptionV3)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"# model.summary()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"callbacks_list = [EarlyStopping(monitor='val_loss', patience=10),\n                  ModelCheckpoint(filepath='my_model.h5',\n                                  monitor='val_loss',\n                                  save_best_only=True),\n                  lr_callback\n                  ]# ReduceLROnPlateau(monitor='val_loss', factor=0.3, patience=3) \n# optimizer = tf.keras.optimizers.Adam() # learning_rate=0.00001\nmodel.compile(loss='categorical_crossentropy',\n              optimizer='adam',\n              metrics=['accuracy'])","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Обучение"},{"metadata":{"trusted":true},"cell_type":"code","source":"%%time\nhistory = model.fit(X_train, Y_train,\n              batch_size=batch_size,\n              epochs=nb_epoch,\n              callbacks=callbacks_list,\n              validation_split=0.1,\n              verbose=1)","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Проверка результата на тесте"},{"metadata":{"trusted":true},"cell_type":"code","source":"# Оцениваем качество обучения модели на тестовых данных\nscores = model.evaluate(X_test, Y_test, verbose=1)\n","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"print(\"Доля верных ответов на тестовых данных, в процентах:\", round(scores[1] * 100, 4))","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"Кривые обучения"},{"metadata":{"trusted":true},"cell_type":"code","source":"plt.plot(history.history['accuracy'], \n         label='Доля правильных ответов на обучающем наборе')\nplt.plot(history.history['val_accuracy'], \n         label='Доля правильных ответов на проверочном наборе')\nplt.xlabel('Эпоха обучения')\nplt.ylabel('Доля правильных ответов')\nplt.legend()\nplt.show()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"plt.plot(history.history['loss'], \n         label='Оценка потерь на обучающем наборе')\nplt.plot(history.history['val_loss'], \n         label='Оценка потерь на проверочном наборе')\nplt.xlabel('Эпоха обучения')\nplt.ylabel('Оценка потерь')\nplt.legend()\nplt.show()","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}