Create practice.py

practice.py

@@ -0,0 +1,55 @@
+import numpy as np
+from tensorflow import keras
+from sklearn.model_selection import train_test_split
+import matplotlib.pyplot as plt
+
+# Загрузка датасета Fashion MNIST
+(X_train_full, y_train_full), (X_test, y_test) = keras.datasets.fashion_mnist.load_data()
+
+# Нормализация данных
+X_train_full = X_train_full.astype('float32') / 255.
+X_test = X_test.astype('float32') / 255.
+
+# Разбиение на тренировочную, валидационную и тестовую части
+X_train, X_val = train_test_split(X_train_full, test_size=0.2, random_state=42)
+X_val, X_test = train_test_split(X_val, test_size=0.5, random_state=42)
+
+# Создание нейросети
+input_shape = X_train.shape[1:]
+latent_dim = 50
+autoencoder = keras.models.Sequential([
+    keras.layers.Flatten(input_shape=input_shape),
+    keras.layers.Dense(256, activation='relu'),
+    keras.layers.Dense(128, activation='relu'),
+    keras.layers.Dense(latent_dim, activation='relu', name='latent_layer'),
+    keras.layers.Dense(128, activation='relu'),
+    keras.layers.Dense(256, activation='relu'),
+    keras.layers.Dense(np.prod(input_shape), activation='sigmoid'),
+    keras.layers.Reshape(input_shape)
+])
+
+# Компиляция и обучение.# binary_crossentropy может и не нужна, но тема рабочая, менять не буду.
+autoencoder.compile(loss='binary_crossentropy', optimizer='adam',metrics=['accuracy'])
+history = autoencoder.fit(X_train, X_train,
+                          epochs=50,
+                          batch_size=128,
+                          validation_data=(X_val, X_val))
+
+# Визуализация результатов.  Я лично доволен. Оно работает!!!
+n = 7 # количество изображений для примера
+decoded_imgs = autoencoder.predict(X_test[:n]) # Кодировка и декодировка тестовых изображений
+plt.figure(figsize=(10, 4.5))
+for i in range(n):
+    # Оригинальное изображение
+    ax = plt.subplot(2, n, i + 1)
+    plt.imshow(X_test[i])
+    plt.gray()
+    ax.get_xaxis().set_visible(False)
+    ax.get_yaxis().set_visible(False)
+
+    # Декодированное изображение
+    ax = plt.subplot(2, n, i + 1 + n)
+    plt.imshow(decoded_imgs[i])
+    plt.gray()
+    ax.get_xaxis().set_visible(False)
+    ax.get_yaxis().set_visible(False)