Завдання 1: Ознайомитись з кодом в додатку 1 (потрібно завантажити зображення собаки dog.jpg) # Автоматичне встановлення відсутнього модуля прямо з коду import sys try: import importlib_resources except ImportError: print("Встановлюємо необхідний пакет importlib_resources...") import subprocess subprocess.check_call([sys.executable, "-m", "pip", "install", "importlib_resources"]) print("Пакет успішно встановлено! Перезапустіть сесію, якщо помилка повториться.") # Далі йде ваш основний робочий код import tensorflow as tf import tensorflow_datasets as tfds from tensorflow.keras import layers, models from PIL import Image import numpy as np splits = ['train[:80%]', 'train[80%:90%]', 'train[90%:]'] # train/val/test (train_ds, val_ds, test_ds), ds_info = tfds.load( 'cats_vs_dogs', split=splits, as_supervised=True, # (image, label) with_info=True ) IMG_SIZE = 128 BATCH = 32 AUTOTUNE = tf.data.AUTOTUNE def preprocess(img, label): img = tf.image.resize(img, (IMG_SIZE, IMG_SIZE)) img = tf.cast(img, tf.float32) / 255.0 return img, label train_ds_batched = (train_ds .shuffle(10_000) .map(preprocess, num_parallel_calls=AUTOTUNE) .batch(BATCH) .prefetch(AUTOTUNE)) val_ds = (val_ds .map(preprocess, num_parallel_calls=AUTOTUNE) .batch(BATCH) .prefetch(AUTOTUNE)) test_ds = (test_ds .map(preprocess, num_parallel_calls=AUTOTUNE) .batch(BATCH) .prefetch(AUTOTUNE)) model = models.Sequential([ layers.Input(shape=(IMG_SIZE, IMG_SIZE, 3)), layers.Conv2D(16, 3, activation='relu'), layers.MaxPooling2D(), layers.Conv2D(32, 3, activation='relu'), layers.MaxPooling2D(), layers.Flatten(), layers.Dense(64, activation='relu'), layers.Dense(1, activation='sigmoid') ]) model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) model.summary() history = model.fit( train_ds_batched, validation_data=val_ds, epochs=3 ) def predict(path): try: img = Image.open(path).convert("RGB").resize((IMG_SIZE, IMG_SIZE)) x = np.array(img, np.float32)/255.0 p = model.predict(x[None], verbose=0)[0,0] print("dog" if p>=0.5 else "cat", float(p)) except FileNotFoundError: print(f"\n[Помилка]: Файл '{path}' не знайдено. Переконайтеся, що завантажили картинку собаки з назвою dog.jpg") predict("dog.jpg") Завдання 2: Ознайомитись з вхідними даними датасету та вивести по одному зображенню з вибірок train/val/test import tensorflow as tf import tensorflow_datasets as tfds import matplotlib.pyplot as plt # Завантаження датасету splits = ['train[:60%]', 'train[60%:80%]', 'train[80%:]'] (train_ds, val_ds, test_ds), ds_info = tfds.load( 'cats_vs_dogs', split=splits, as_supervised=True, with_info=True ) # Виведення інформації про датасет print("Назва датасету:", ds_info.name) print("Кількість класів:", ds_info.features['label'].num_classes) print("Назви класів:", ds_info.features['label'].names) print("Приклад розміру зображення:", ds_info.features['image'].shape) print("\nКількість прикладів у train/val/test:") print(" train:", int(ds_info.splits['train'].num_examples * 0.6)) print(" val: ", int(ds_info.splits['train'].num_examples * 0.2)) print(" test: ", int(ds_info.splits['train'].num_examples * 0.2)) # Створення вибірок та заголовок для кожної datasets = [ (train_ds, "Train (навчальна вибірка)"), (val_ds, "Validation (перевірочна вибірка)"), (test_ds, "Test (тестова вибірка)") ] # Відображення 3 зображень в один рядок plt.figure(figsize=(15, 5)) for i, (ds, title) in enumerate(datasets, 1): for img, label in ds.take(1): plt.subplot(1, 3, i) plt.imshow(img) plt.title(f"{title} – {'Собака' if label == 1 else 'Кішка'}") plt.axis("off") break plt.tight_layout() plt.show() Завдання 3: Запустити процес навчання моделі та вивести графіки точності та втрат для датасету train та va import tensorflow as tf import tensorflow_datasets as tfds import matplotlib.pyplot as plt # 1. Завантажуємо лише 20% датасету для швидкого навчання splits = ['train[:12%]', 'train[12%:16%]', 'train[16%:20%]'] (train_ds, val_ds, test_ds), ds_info = tfds.load( 'cats_vs_dogs', split=splits, as_supervised=True, with_info=True ) # 2. Оптимізована обробка даних (менший розмір зображення) IMG_SIZE = 96 BATCH_SIZE = 64 def format_example(image, label): image = tf.cast(image, tf.float32) / 255.0 image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE)) return image, label # КЕШУВАННЯ (.cache()): завантажує дані в оперативну пам'ять, щоб не зчитувати з диска щоразу train_ds = train_ds.map(format_example).cache().shuffle(500).batch(BATCH_SIZE).prefetch(tf.data.AUTOTUNE) val_ds = val_ds.map(format_example).cache().batch(BATCH_SIZE).prefetch(tf.data.AUTOTUNE) # 3. Легша та швидша модель model = tf.keras.Sequential([ tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(IMG_SIZE, IMG_SIZE, 3)), tf.keras.layers.MaxPooling2D(2, 2), tf.keras.layers.Conv2D(32, (3, 3), activation='relu'), tf.keras.layers.MaxPooling2D(2, 2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(1, activation='sigmoid') ]) # 4. Компіляція model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) # 5. Навчання (зменшено до 5 епох) EPOCHS = 5 history = model.fit( train_ds, epochs=EPOCHS, validation_data=val_ds ) # 6. Побудова графіків acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs_range = range(1, EPOCHS + 1) plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, label='Training Accuracy', marker='o') plt.plot(epochs_range, val_acc, label='Validation Accuracy', marker='o') plt.title('Точність (Accuracy)') plt.xlabel('Епоха') plt.legend(loc='lower right') plt.grid(True) plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, label='Training Loss', marker='o') plt.plot(epochs_range, val_loss, label='Validation Loss', marker='o') plt.title('Втрати (Loss)') plt.xlabel('Епоха') plt.legend(loc='upper right') plt.grid(True) plt.tight_layout() plt.show() Завдання 4: Завантажити в оперативну пам’ять зображення задане викладачем та зробити передбачення чи правильно навчена (зображення cat6.jpg повинно бути завантажено в колаб) import numpy as np import matplotlib.pyplot as plt from PIL import Image import os IMG_SIZE = 96 image_path = 'cat6.jpg' # Шлях до вашого файлу в Colab # Визначення істинної мітки за назвою файлу filename = os.path.basename(image_path).lower() if "dog" in filename: true_label = "Собака" elif "cat" in filename: true_label = "Кіт" else: true_label = "Невідомо" # Підготовка зображення для моделі img = Image.open(image_path).convert('RGB').resize((IMG_SIZE, IMG_SIZE)) x = np.array(img, dtype=np.float32) / 255.0 x = np.expand_dims(x, axis=0) # Передбачення за допомогою навченої моделі pred = model.predict(x, verbose=0)[0, 0] pred_label = "Собака" if pred >= 0.5 else "Кіт" correct = (true_label == pred_label) color = "green" if correct else "red" # Візуалізація результату plt.imshow(img) plt.title(f""" Істинна: {true_label} Прогноз: {pred_label} Ймовірність: {pred:.4f} """, fontsize=10, color=color) plt.axis("off") plt.show() print("Істинна мітка:", true_label) print("Передбачення моделі:", pred_label) print(f"Ймовірність: {pred:.4f}") print("Модель вгадала!" if correct else "Модель помилилася.") Завдання 5:З тестової вибірки вивести зображення (16 шт) та вивести істину мітку, визначену мітку та прогноз для зображення import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 1. Попередня обробка тестової вибірки (приведення до розміру 96x96 та бачу 16) IMG_SIZE = 96 def format_example(image, label): image = tf.cast(image, tf.float32) / 255.0 image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE)) return image, label # Готуємо test_ds: форматуємо зображення та беремо бач із 16 штук test_ds_formatted = test_ds.map(format_example).batch(16) # 2. Оцінка моделі на тестовій вибірці loss, acc = model.evaluate(test_ds_formatted, verbose=0) print(f"Точність моделі на тестовій вибірці: {acc * 100:.2f}%\n") # 3. Отримуємо 16 зображень та робимо прогноз images, labels = next(iter(test_ds_formatted)) preds = model.predict(images, verbose=0).flatten() # 4. Візуалізація результатів у сітку 4х4 plt.figure(figsize=(12, 12)) for i in range(16): plt.subplot(4, 4, i + 1) plt.imshow(images[i]) true_label = "Собака" if labels[i] == 1 else "Кішка" pred_label = "Собака" if preds[i] >= 0.5 else "Кішка" prob = preds[i] correct = (labels[i] == (preds[i] >= 0.5)) color = "green" if correct else "red" plt.title(f"Істинна: {true_label}\nПрогноз: {pred_label}\nІмовірність: {prob:.4f}", fontsize=9, color=color) plt.axis("off") plt.suptitle("Результати передбачення для 16 зображень із test_ds", fontsize=14) plt.tight_layout() plt.show()