Labo.py

import numpy as np
 
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import MaxPooling2D, Conv2D
from keras.utils import np_utils
from keras.datasets import fashion_mnist


# Задаем для воспроизводимости результатов
np.random.seed(512)

#=================== Загрузка данных ===================#

data = fashion_mnist.load_data()	
train = data[0]
test = data[1]

X_train = train[0] 
y_train = train[1] 
X_test = test[0] 
y_test = test[1]

#=========== Предварительная обработка данных ==========#

# Размерность каналов окраски изображения, 1 канал для ЧБ, 3 канала для RGB
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)

# uint8 -> float32
X_train = X_train.astype('float32')														
X_test = X_test.astype('float32')

# Нормализация пиксельных данных 
X_train /= 255
X_test /= 255

# Переход от вектора классов к бинарной матрице классов n x 10 (необходимо для дальнейшей модели)
Y_train = np_utils.to_categorical(y_train, 10)											
Y_test = np_utils.to_categorical(y_test, 10)

#============ Определение архитектуры модели ===========#

# Создаём модель нейронной сети
model = Sequential()

# Два сверточных слоя, 32 - размерность выходного пространства, количество выходных фильтров в свертке
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28,28,1)))					
model.add(Conv2D(32, (3, 3), activation='relu'))										

# Maxpooling с фильтром 2 х 2, урезаем размерность вдвое (24, 24, 32) -> (12, 12, 32)
model.add(MaxPooling2D(pool_size=(2,2)))												
model.add(Dropout(0.25))
# Переходим от многомерного массива к вектору (None, 12, 12, 32) -> (None, 12x12x32=4608)
model.add(Flatten())	

#Первые числа, передаваемые Dense, это количества нейронов, экспериментально оптимизированные в результате вариации структуры нейронной сети
#Т.Е. размерность выходного пространства
model.add(Dense(128, activation='relu'))												
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))												

#=========== Компилирование и обучение модели ==========# 
# Метрика accuracy используется практически для всех задач классификации, она работает для многоклассовой классификации,
# имеет низкую вычислительную сложность.
# Функция потерь – объект, который модель стремиться минимизировать. Используется сategorical_crossentropy так как больше двух классов, 
# иначе использовали бы бинарную кроссэнтропию. 
model.compile(loss='categorical_crossentropy',
              optimizer='adam',															
              metrics=['accuracy'])

# epoch - максимальное количество эпох до остановки
# batch_size - количество объектов выборки берущихся за одну итерацию
model.fit(X_train, Y_train, 
          batch_size=32, epochs=5, verbose=1) 
 
#=================== Проверка точности =================#
# evaluate() -> значение функции потерь + метрики для обученной модели
score = model.evaluate(X_test, Y_test, verbose=0)

print("\n%s: %.2f%%" % (model.metrics_names[1], score[1]*100))