main.py

import numpy as np
import os
import matplotlib.pyplot as plt
import tensorflow
from tensorflow import keras
from keras.layers import Dense, Flatten, Conv2D, Dropout,BatchNormalization
from keras.datasets import mnist
from PIL import Image
from converter import imageprepare
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
# from tensorflow.python.client import device_lib
print(tensorflow.config.list_physical_devices('GPU'))


# model_path = 'model/trained_model_5k'
model_path = 'model/trained_model_pasha'

def create_model():
    '''
    Создаем модель нейросети, где
    *слово "Sequential" означает "последовательная" (то есть состоящая из нескольких слоёв)
    
    *Flatten преобразует матрицу(нашу картинку) размером 28 на 28 и, имеющую черно-белую цветовую схему, в один слой,
    состоящий из (28*28) = 784 нейронов (можно оставить так)
    
    *Dense создает новый слой, где units — кол-во нейронов, activation — метод активации
    '''

    global model
    model = keras.Sequential([Flatten(input_shape=(28, 28, 1)),       # Входной слой
        Dense(units=128, activation='relu'),     # Скрытый слой(тут происходит вся магия) 128 число наугад, можно ставить разные
        Dense(units=10, activation='softmax')
    ])

    # Компиляция модели
    # loss - критерий качества
    # optimizer - говорит сам за себя, оптимизируем нейросеть
    # метрика - метрика(определяем, насколько мы правильно в % предсказали цифры)
    model.compile(loss='categorical_crossentropy', optimizer=keras.optimizers.Adam(), metrics=['accuracy'])
    return model

def train(model, x_train, x_test, y_train_cat, y_test_cat):
    '''
    Запуск процесса обучения.
    x_train - множество на котором тренируем.
    y_train_cat - ожидаемый результат (который хотим получить).
    batch_size - количество картинок после которых коэффициенты будут пересмотрены.
    epochs - количество эпох обучения
    validation_split - выбор сколько % картинок пойдут на валидацию (они уйдут на evaluate)
    '''
    model.fit(x_train, y_train_cat, batch_size=32, epochs=5, validation_split=0.2)
    print("\n")
    

    # Валидация результата(проверка корректности)
    model.evaluate(x_test, y_test_cat)
    print("\n")
    pass

def main():
    global model, model_path # Костыль, чтобы программа не ругалась
    (x_train, y_train), (x_test, y_test) = mnist.load_data()  # Выгрузка баз данных мниста(70 000 рукописных цифр)

    x_train = x_train / 255  # Стандартизация данных, картинки у нас черно-белые,
    x_test = x_test / 255  # поэтому данные мы будем хранить как 0-черный, 1-белый

    # Далее мы записываем каждую цифру как массив из десяти элементов
    # Например цифру 4 как [0,0,0,0,1,0,0,0,0,0]
    #              а 6 как [0,0,0,0,0,0,1,0,0,0]
    y_train_cat = keras.utils.to_categorical(y_train, 10)
    y_test_cat = keras.utils.to_categorical(y_test, 10)

    # Выполнение функций

    # Проверка сохранённости модели
    if (not os.path.exists(model_path)):
        print('-|| Модель не найдена, создаю новую...')
        create_model()
        print('-|| Модель cоздана')
        print('-|| Обучаю модель...')
        train(model, x_train, x_test, y_train_cat, y_test_cat)
        print('-|| Модель обучена')
        print('-|| Сохраняю модель...')
        model.save(model_path)
        print('-|| Модель сохранена')
    else:
        print('-|| Модель найдена, загружаю...')
        model = keras.models.load_model(model_path)
        print('-|| Модель загружена')

    # Тест
    accuracy = np.array([0.0]*10)
    for i in range(0,10):
        cnt_files = 0
        for filename in os.listdir(f'images/raw/{i}'):
            # convert_im(f'images/raw/1/test_image{i}.jpg')             #Старый конвектор (фиг пойми как изменённый)
            # convert_im(f'images/raw/{i}/{filename}')
            # im = Image.open('images/assets/active_test2.jpg')
            # data = np.array(im)
            # ξ = np.expand_dims(data, axis=0)

            x = [imageprepare(f'images/raw/{i}/{filename}')]  # file path here
            newArr = [[0 for d in range(28)] for y in range(28)]
            k = 0
            for ni in range(28):
                for j in range(28):
                    newArr[ni][j] = x[0][k]
                    k += 1
            ξ = np.expand_dims(newArr, axis=0)

            res = model.predict(ξ)

            if(i == np.argmax(res)):
                accuracy[i] += 1
            else:
                print(res)
                print(f'Я тут подумал, я отвечаю, что {i} это ', np.argmax(res))
                # plt.imshow(data, cmap=plt.cm.binary, label=str(np.argmax(res)))   # Строчка старого конвектора
                plt.imshow(newArr, cmap=plt.cm.binary, label=str(np.argmax(res)))
                # plt.show()

            cnt_files+=1


        accuracy[i] /= (cnt_files)
    print('Я всё посчитал, таков итог')
    print(accuracy, np.mean(accuracy))
    return 0

if __name__ == '__main__':
    main()
    pass