{"id":340895,"date":"2022-11-07T15:00:59","date_gmt":"2022-11-07T15:00:59","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=340895"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=340895","title":{"rendered":"\u041c\u0443\u0436\u0447\u0438\u043d\u0430 OR \u0416\u0435\u043d\u0449\u0438\u043d\u0430 (python\/keras)<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n

\u0417\u0434\u0440\u0430\u0432\u0441\u0442\u0432\u0443\u0439\u0442\u0435, \u0434\u043e\u0440\u043e\u0433\u0438\u0435 \u0434\u0440\u0443\u0437\u044c\u044f, \u0445\u0430\u0431\u0440\u0447\u0430\u043d\u0435. \u041c\u0435\u043d\u044f \u0437\u043e\u0432\u0443\u0442 \u0418\u043b\u044c\u044f, \u044f \u0442\u0443\u0442 \u043d\u043e\u0432\u0435\u043d\u044c\u043a\u0438\u0439, \u0438 \u0441\u0435\u0433\u043e\u0434\u043d\u044f, \u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u0432\u0430\u043c, \u043a\u0430\u043a \u044f \u0440\u0435\u0448\u0438\u043b \u043d\u0430\u0443\u0447\u0438\u0442\u044c \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e \u0441\u0435\u0442\u044c \u0440\u0430\u0437\u043b\u0438\u0447\u0430\u0442\u044c \u043f\u043e\u043b \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u043f\u043e \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0438 \u043b\u0438\u0446\u0430.<\/p>\n

\u041f\u0435\u0440\u0432\u044b\u043c \u0434\u0435\u043b\u043e\u043c \u043d\u0430\u043c \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f \u0441\u0430\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442. \u0414\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432 \u0432 \u0438\u043d\u0442\u0435\u0440\u043d\u0435\u0442\u0435 \u043e\u0433\u0440\u043e\u043c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e, \u043d\u043e \u043d\u0438 \u043e\u0434\u0438\u043d \u043c\u043d\u0435 \u043d\u0435 \u043f\u043e\u0434\u043e\u0448\u0435\u043b. \u0418 \u043f\u043e \u044d\u0442\u043e\u043c\u0443, \u044f \u0440\u0435\u0448\u0438\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0441\u0432\u043e\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442.<\/p>\n

    \n
  1. \n

    \u041d\u0430\u0445\u043e\u0434\u0438\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a \u0434\u043b\u044f \u0444\u043e\u0442\u043e — \u0443 \u043c\u0435\u043d\u044f \u044d\u0442\u043e \u0431\u044b\u043b \u0441\u0430\u0439\u0442, \u0433\u0434\u0435 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u044e\u0442\u0441\u044f \u043b\u0438\u0446\u0430 \u043b\u044e\u0434\u0435\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043d\u0438\u043a\u043e\u0433\u0434\u0430 \u043d\u0435 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043e\u0432\u0430\u043b\u0438 \u0438 \u0441 \u043a\u0430\u0436\u0434\u044b\u043c \u043e\u0431\u043d\u043e\u0432\u043b\u0435\u043d\u0438\u0435\u043c \u043b\u0438\u0446\u043e \u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f — https:\/\/thispersondoesnotexist.com\/<\/a><\/p>\n<\/li>\n<\/ol>\n

    2)\u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0443\u0436\u043d\u043e \u0437\u0430\u043a\u0430\u0447\u0430\u0442\u044c 2000 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0441 \u044d\u0442\u043e\u0433\u043e \u0441\u0430\u0439\u0442\u0430, \u044f \u0431\u0443\u0434\u0443 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0439 \u043a\u043e\u0434:<\/p>\n

    import shutil import time import requests  while (i < 1000):     url = 'https:\/\/thispersondoesnotexist.com\/image'     response = requests.get(url, stream=True)     with open(str(i)+'.jpg', 'wb') as out_file:         shutil.copyfileobj(response.raw, out_file)     del response     i = i + 1     time.sleep(1)<\/code><\/pre>\n
    \u0422\u0443\u0442 \u0432\u0441\u0435 \u043f\u0440\u043e\u0441\u0442\u043e, \u0432 \u043b\u044e\u0431\u043e\u0439 \u043f\u0430\u043f\u043a\u0435 \u0441\u043e\u0437\u0434\u0430\u0435\u043c .py \u0444\u0430\u0439\u043b, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0442\u0443\u0434\u0430 \u044d\u0442\u043e\u0442 \u043a\u043e\u0434, \u0438 \u0432 \u043a\u043e\u043d\u0441\u043e\u043b\u0438 \u0435\u0433\u043e \u0432\u044b\u0437\u044b\u0432\u0430\u0435\u043c, \u0436\u0434\u0435\u043c 2000 \u0441\u0435\u043a. \u0438 \u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c 2\u043a \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a.
     \u0414\u0430\u043b\u0435\u0435 \u0440\u0443\u0447\u043a\u0430\u043c\u0438(\u0431\u0443\u043a\u0432\u0430\u043b\u044c\u043d\u043e) \u043d\u0443\u0436\u043d\u043e \u043d\u0430\u0431\u0440\u0430\u0442\u044c 500 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u043c\u0443\u0436\u0447\u0438\u043d \u0438 \u0436\u0435\u043d\u0449\u0438\u043d. \u042f \u0434\u0435\u043b\u0430\u043b \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c: \u043e\u0442\u043a\u0440\u044b\u0432\u0430\u043b \u043f\u0430\u043f\u043a\u0443 \u0438 \u0432\u044b\u0434\u0435\u043b\u044f\u043b \u0432\u0441\u0435 \u0444\u043e\u0442\u043e \u043c\u0443\u0436\u0447\u0438\u043d \u0447\u0435\u0440\u0435\u0437 CTRL + \u043a\u043b\u0438\u043a, \u0438 \u0432\u044b\u0440\u0435\u0437\u0430\u043b \u0432 \u0434\u0440\u0443\u0433\u0443\u044e \u043f\u0430\u043f\u043a\u0443(\u043a\u043e\u043d\u0435\u0447\u043d\u043e \u044f \u043e\u0442\u043f\u0440\u0430\u0432\u043b\u044e \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u0433\u0438\u0434\u0445\u0430\u0431 \u0433\u0434\u0435 \u0431\u0443\u0434\u0443\u0442 \u0444\u043e\u0442\u043e).<\/p>\n
    \u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u0438\u0445 \u043d\u0443\u0436\u043d\u043e \u043f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u043d\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e: \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0431\u0440\u0430\u0442\u044c \u043a\u0430\u0436\u0434\u044b\u0439 \u0444\u0430\u0439\u043b \u0438\u0437 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e\u0439 \u043f\u0430\u043f\u043a\u0438 \u0438 \u043f\u043e \u043d\u043e\u043c\u0435\u0440\u0443 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0446\u0438\u043a\u043b\u0430 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 \u0435\u043c\u0443 \u0438\u043c\u044f \u0438 \u043f\u0435\u0440\u0435\u043d\u043e\u0441\u0438\u0442 \u0432 \u0434\u0440\u0443\u0433\u0443\u044e \u043f\u0430\u043f\u043a\u0443, \u0438 \u0442\u0430\u043a \u043c\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u0444\u0430\u0439\u043b\u044b \u0438\u0437\u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439(0.jpg … 499.jpg)<\/p>\n
    import os as s def renameFilesInNumbers(from_,to_, g=''):     i = 0     name1 = s.listdir('.\/'+from_)     while(i < len(name1)):     # while(i < 101):         s.rename('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_+'\/' +name1[i],'.\/'+to_+'\/'+ ''+str(i)+g+'.jpg')         i = i + 1 <\/code><\/pre>\n
    \u0414\u0430\u043b\u044c\u0448\u0435 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0444\u043e\u0442\u043e \u0432 \u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442: \u043f\u0440\u043e\u0441\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u043c \u0438\u0445 \u0441\u0435\u0440\u044b\u043c\u0438 \u0438 \u0441\u0442\u0430\u0432\u0438\u043c \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u0435 299*299.
     \u0412\u043e\u0442 \u043a\u043e\u0434:<\/p>\n
    import cv2 import os as s  def ResizeImags(from_,to_):     i = 0     name1 = s.listdir('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_)     while( i < len(name1)):         img = cv2.imread('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_+'\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED)         gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)         resized = cv2.resize(gray_image, (299, 299), interpolation = cv2.INTER_AREA)         cv2.imwrite('.\/'+to_+'\/'+str(i)+'.jpg',resized)         i = i + 1<\/code><\/pre>\n
    \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0444\u0430\u0439\u043b \u0432 google colab \u0438 \u043f\u0438\u0448\u0435\u043c \u0441\u0430\u043c\u0443 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0443.<\/p>\n
    \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f, \u0431\u044b\u043b\u0430 \u0432\u0437\u044f\u0442\u0430 \u0438\u0437 \u043f\u0440\u0438\u043c\u0435\u0440\u0430 \u043f\u0440\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u043e\u0434\u0435\u0436\u0434\u044b:<\/p>\n
    model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Flatten()) model.add(Dense(128,activation='relu')) model.add(Dense(64,activation='relu')) model.add(Dense(18,activation='relu')) model.add(Dense(2,activation='softmax'))  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])<\/code><\/pre>\n
    \u0410 \u0442\u0435\u043f\u0435\u0440\u044c, \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c \u043e \u043d\u0430\u0448\u0435\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435, \u043a\u0430\u043a \u0438\u0437 \u043f\u0430\u043f\u043a\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0434\u0430\u0442\u0430 \u0441\u0435\u0442, \u043d\u0443 \u0447\u0435\u0441\u0442\u043d\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0438\u043a\u0430\u043a\u043e\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u043c\u044b \u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0435\u043c, \u043f\u0440\u043e\u0441\u0442\u043e \u0438\u0437 \u043a\u0430\u0436\u0434\u043e\u0439 \u043f\u0430\u043f\u043a\u0438 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u043c\u0430\u0441\u0441\u0438\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a.<\/p>\n
    \u0412\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u044d\u0442\u043e \u0431\u0443\u0434\u0435\u0442 \u0442\u0430\u043a:<\/p>\n
    i = 0  while (i < 500): # \u0442\u0443\u0442 \u0432\u0441\u0435 \u043f\u043e\u043d\u044f\u0442\u043d\u043e , 500 \u0444\u043e\u0442\u043e\u043a == 500 \u044d\u0442\u0435\u0440\u0430\u0446\u0438\u0439     data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   # \u043f\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0434\u043e\u0431\u0430\u043b\u044f\u0435\u043c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u043c\u0443\u0436\u0447\u0438\u043d\u044b   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   # \u0436\u0435\u043d\u0449\u0438\u043d\u044b    data1.append( [0., 1.])   # \u043f\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0434\u043e\u0431\u0430\u043b\u044f\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043c\u0443\u0436\u0447\u0438\u043d\u044b   data1.append( [1., 0.])   # \u0436\u0435\u043d\u0449\u0438\u043d\u044b    i = i + 1<\/code><\/pre>\n
    \u0412\u0435\u043a\u0442\u043e\u0440 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f — \u044d\u0442\u043e \u043c\u043e\u0439 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0442\u0435\u0440\u043c\u0438\u043d, \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0430\u044e\u0449\u0438\u0439 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043b\u044e\u0431\u043e\u0433\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f, \u043b\u044e\u0431\u043e\u0439 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e\u0439 \u0444\u043e\u0440\u043c\u044b \u0432 \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442.
     \u0423\u0432\u0435\u0440\u0435\u043d , \u0447\u0442\u043e \u0434\u043b\u044f \u0442\u043e\u0433\u043e ,\u0447\u0442\u043e \u044f \u0438\u043c\u0435\u044e \u0432\u0432\u0438\u0434\u0443 , \u0435\u0441\u0442\u044c \u0441\u0432\u043e\u0439 \u0442\u0435\u0440\u043c\u0438\u043d , — \u044f \u0435\u0433\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0435 \u0437\u043d\u0430\u044e.<\/p>\n
    \u0414\u0430\u043b\u044c\u0448\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0443\u043a\u0430\u0437\u044b\u0432\u0430\u044e \u0441 \u043a\u0430\u043a\u0438\u043c\u0438 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c\u0438 \u0431\u0443\u0434\u0435\u0442 \u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043c\u043e\u044f \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e: \u043a\u0430\u043a\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u043f\u043e\u0442\u0435\u0440\u044c(loss) — ‘\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044f’, \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 — ‘adam’, \u043c\u0435\u0442\u0440\u0438\u043a\u0430 \u043a\u043e\u0442\u043e\u0440\u0443\u044e \u0431\u0443\u0434\u0435\u043c \u0432\u0438\u0434\u0435\u0442\u044c \u0432 \u043c\u043e\u043c\u0435\u043d\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f — \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c.
     model.compile(loss=’categorical_crossentropy’, optimizer=’adam’, metrics=[‘accuracy’])<\/p>\n
    \u0412\u0435\u0441\u044c \u043a\u043e\u0434:<\/p>\n
    from typing_extensions import Text import keras import numpy as np import cv2 from keras.models import Sequential from keras.layers import Dense, Dropout , Conv2D , Flatten, MaxPooling2D    data = [] data1 = [] i = 0  while (i < 500):      data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255       )   data1.append( [0., 1.])   data1.append( [1., 0.])   i = i + 1  model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Flatten()) model.add(Dense(128,activation='relu')) model.add(Dense(64,activation='relu')) model.add(Dense(18,activation='relu')) model.add(Dense(2,activation='softmax'))  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])  model.fit(np.array(data), np.array(data1) ,      epochs=7 )   print(     model.predict(         np.array(     [np.array(cv2.imread('.\/M\/'+str(519)+'.jpg', cv2.IMREAD_UNCHANGED))\/255]         )     ) )  print(     model.predict(         np.array(     [np.array(cv2.imread('.\/M\/'+str(541)+'.jpg', cv2.IMREAD_UNCHANGED))\/255]         )     ) )<\/code><\/pre>\n
    \u0412\u043e\u0442 \u0444\u043e\u0442\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438\u0441\u044c.<\/p>\n
    <\/figcaption><\/figure>\n<\/p>\n
    <\/figcaption><\/figure>\n<\/p>\n
    <\/figcaption><\/figure>\n<\/p>\n
    <\/figcaption><\/figure>\n
    \u041a\u0430\u0437\u0430\u043b\u043e\u0441\u044c \u0431\u044b, \u043c\u0438\u0441\u0441\u0438\u044f \u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u0430. \u041d\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u043e \u0434\u0440\u0443\u0433\u043e\u043c\u0443. \u041c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0434\u0440\u0443\u0433\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443. \u0412 \u0447\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0440\u0430\u0437\u043d\u0438\u0446\u0430: \u0442\u0430\u043a-\u043a\u0430\u043a \u0443 \u043d\u0430\u0441 \u0432\u0441\u0435\u0433\u043e 2 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u0430, \u0442\u043e \u043c\u043e\u0436\u043d\u043e \u0432\u043c\u0435\u0441\u0442\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u0443\u044e \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044e.<\/p>\n
    \u041d\u043e\u0432\u044b\u0439 \u043a\u043e\u0434:<\/p>\n
    import os import keras import numpy as np import cv2 from keras.models import Sequential from keras.layers import Dense, Dropout , Conv3D , Flatten, MaxPooling2D  data = []  data1 = []  i = 0  while (i < 500):   data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data1.append( [1.])   data1.append( [0.])   i = i + 1  model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(Flatten()) model.add(Dense(64, activation='relu'))  model.add(Dense(64, activation='relu'))  model.add(Dropout(0.5))  model.add(Dense(1, activation='sigmoid'))  model.compile(loss='binary_crossentropy',                optimizer='rmsprop',                metrics=['accuracy'])  model.fit(np.array(data), np.array(data1) ,      epochs=10 )<\/code><\/pre>\n
    \u0412\u0441\u0435 \u0442\u043e\u0436\u0435 \u0441\u0430\u043c\u043e\u0435 \u043a\u0440\u043e\u043c\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438, \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u043d\u0430 \u043d\u0435 softmax \u0430 sigmoid, \u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u043f\u043e\u0442\u0435\u0440\u044c.<\/p>\n
    \u041d\u0430\u0434\u0435\u044e\u0441\u044c \u043c\u043e\u044f \u043f\u0435\u0440\u0432\u0430\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u0432\u0430\u043c \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u0442\u0441\u044f, \u0438 \u043d\u043e\u0432\u0438\u0447\u043a\u0430\u043c \u043e\u043d\u0430 \u043a\u0430\u043a-\u0442\u043e \u043f\u043e\u043c\u043e\u0436\u0435\u0442, \u0432\u0441\u0435\u043c \u0443\u0434\u0430\u0447\u0438 !<\/p>\n
    git: https:\/\/github.com\/paradiseMaestro<\/a><\/p>\n<\/div>\n<\/div>\n<\/div>\n
    <\/div>\n<\/div>\n
      
     \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438      https:\/\/habr.com\/ru\/post\/697802\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
    <\/div>\n
    \n
    \n
    \n
    \n
    \u0417\u0434\u0440\u0430\u0432\u0441\u0442\u0432\u0443\u0439\u0442\u0435, \u0434\u043e\u0440\u043e\u0433\u0438\u0435 \u0434\u0440\u0443\u0437\u044c\u044f, \u0445\u0430\u0431\u0440\u0447\u0430\u043d\u0435. \u041c\u0435\u043d\u044f \u0437\u043e\u0432\u0443\u0442 \u0418\u043b\u044c\u044f, \u044f \u0442\u0443\u0442 \u043d\u043e\u0432\u0435\u043d\u044c\u043a\u0438\u0439, \u0438 \u0441\u0435\u0433\u043e\u0434\u043d\u044f, \u044f \u0440\u0430\u0441\u0441\u043a\u0430\u0436\u0443 \u0432\u0430\u043c, \u043a\u0430\u043a \u044f \u0440\u0435\u0448\u0438\u043b \u043d\u0430\u0443\u0447\u0438\u0442\u044c \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e \u0441\u0435\u0442\u044c \u0440\u0430\u0437\u043b\u0438\u0447\u0430\u0442\u044c \u043f\u043e\u043b \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u043f\u043e \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0438 \u043b\u0438\u0446\u0430.<\/p>\n
    \u041f\u0435\u0440\u0432\u044b\u043c \u0434\u0435\u043b\u043e\u043c \u043d\u0430\u043c \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f \u0441\u0430\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442. \u0414\u0430\u0442\u0430\u0441\u0435\u0442\u043e\u0432 \u0432 \u0438\u043d\u0442\u0435\u0440\u043d\u0435\u0442\u0435 \u043e\u0433\u0440\u043e\u043c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e, \u043d\u043e \u043d\u0438 \u043e\u0434\u0438\u043d \u043c\u043d\u0435 \u043d\u0435 \u043f\u043e\u0434\u043e\u0448\u0435\u043b. \u0418 \u043f\u043e \u044d\u0442\u043e\u043c\u0443, \u044f \u0440\u0435\u0448\u0438\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0441\u0432\u043e\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442.<\/p>\n
      \n
    1. \n
      \u041d\u0430\u0445\u043e\u0434\u0438\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a \u0434\u043b\u044f \u0444\u043e\u0442\u043e — \u0443 \u043c\u0435\u043d\u044f \u044d\u0442\u043e \u0431\u044b\u043b \u0441\u0430\u0439\u0442, \u0433\u0434\u0435 \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u044e\u0442\u0441\u044f \u043b\u0438\u0446\u0430 \u043b\u044e\u0434\u0435\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043d\u0438\u043a\u043e\u0433\u0434\u0430 \u043d\u0435 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u043e\u0432\u0430\u043b\u0438 \u0438 \u0441 \u043a\u0430\u0436\u0434\u044b\u043c \u043e\u0431\u043d\u043e\u0432\u043b\u0435\u043d\u0438\u0435\u043c \u043b\u0438\u0446\u043e \u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f — https:\/\/thispersondoesnotexist.com\/<\/a><\/p>\n<\/li>\n<\/ol>\n
      2)\u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0443\u0436\u043d\u043e \u0437\u0430\u043a\u0430\u0447\u0430\u0442\u044c 2000 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0441 \u044d\u0442\u043e\u0433\u043e \u0441\u0430\u0439\u0442\u0430, \u044f \u0431\u0443\u0434\u0443 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0439 \u043a\u043e\u0434:<\/p>\n
      import shutil import time import requests  while (i < 1000):     url = 'https:\/\/thispersondoesnotexist.com\/image'     response = requests.get(url, stream=True)     with open(str(i)+'.jpg', 'wb') as out_file:         shutil.copyfileobj(response.raw, out_file)     del response     i = i + 1     time.sleep(1)<\/code><\/pre>\n
      \u0422\u0443\u0442 \u0432\u0441\u0435 \u043f\u0440\u043e\u0441\u0442\u043e, \u0432 \u043b\u044e\u0431\u043e\u0439 \u043f\u0430\u043f\u043a\u0435 \u0441\u043e\u0437\u0434\u0430\u0435\u043c .py \u0444\u0430\u0439\u043b, \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0442\u0443\u0434\u0430 \u044d\u0442\u043e\u0442 \u043a\u043e\u0434, \u0438 \u0432 \u043a\u043e\u043d\u0441\u043e\u043b\u0438 \u0435\u0433\u043e \u0432\u044b\u0437\u044b\u0432\u0430\u0435\u043c, \u0436\u0434\u0435\u043c 2000 \u0441\u0435\u043a. \u0438 \u0433\u0430\u0440\u0430\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c 2\u043a \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a.
       \u0414\u0430\u043b\u0435\u0435 \u0440\u0443\u0447\u043a\u0430\u043c\u0438(\u0431\u0443\u043a\u0432\u0430\u043b\u044c\u043d\u043e) \u043d\u0443\u0436\u043d\u043e \u043d\u0430\u0431\u0440\u0430\u0442\u044c 500 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u043c\u0443\u0436\u0447\u0438\u043d \u0438 \u0436\u0435\u043d\u0449\u0438\u043d. \u042f \u0434\u0435\u043b\u0430\u043b \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c: \u043e\u0442\u043a\u0440\u044b\u0432\u0430\u043b \u043f\u0430\u043f\u043a\u0443 \u0438 \u0432\u044b\u0434\u0435\u043b\u044f\u043b \u0432\u0441\u0435 \u0444\u043e\u0442\u043e \u043c\u0443\u0436\u0447\u0438\u043d \u0447\u0435\u0440\u0435\u0437 CTRL + \u043a\u043b\u0438\u043a, \u0438 \u0432\u044b\u0440\u0435\u0437\u0430\u043b \u0432 \u0434\u0440\u0443\u0433\u0443\u044e \u043f\u0430\u043f\u043a\u0443(\u043a\u043e\u043d\u0435\u0447\u043d\u043e \u044f \u043e\u0442\u043f\u0440\u0430\u0432\u043b\u044e \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u0433\u0438\u0434\u0445\u0430\u0431 \u0433\u0434\u0435 \u0431\u0443\u0434\u0443\u0442 \u0444\u043e\u0442\u043e).<\/p>\n
      \u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u0438\u0445 \u043d\u0443\u0436\u043d\u043e \u043f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u043d\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e: \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0444\u0443\u043d\u043a\u0446\u0438\u044e \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0431\u0440\u0430\u0442\u044c \u043a\u0430\u0436\u0434\u044b\u0439 \u0444\u0430\u0439\u043b \u0438\u0437 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e\u0439 \u043f\u0430\u043f\u043a\u0438 \u0438 \u043f\u043e \u043d\u043e\u043c\u0435\u0440\u0443 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0446\u0438\u043a\u043b\u0430 \u0441\u043e\u0437\u0434\u0430\u0435\u0442 \u0435\u043c\u0443 \u0438\u043c\u044f \u0438 \u043f\u0435\u0440\u0435\u043d\u043e\u0441\u0438\u0442 \u0432 \u0434\u0440\u0443\u0433\u0443\u044e \u043f\u0430\u043f\u043a\u0443, \u0438 \u0442\u0430\u043a \u043c\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u0444\u0430\u0439\u043b\u044b \u0438\u0437\u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0439(0.jpg … 499.jpg)<\/p>\n
      import os as s def renameFilesInNumbers(from_,to_, g=''):     i = 0     name1 = s.listdir('.\/'+from_)     while(i < len(name1)):     # while(i < 101):         s.rename('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_+'\/' +name1[i],'.\/'+to_+'\/'+ ''+str(i)+g+'.jpg')         i = i + 1 <\/code><\/pre>\n
      \u0414\u0430\u043b\u044c\u0448\u0435 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u0442\u044c \u044d\u0442\u0438 \u0444\u043e\u0442\u043e \u0432 \u043d\u0443\u0436\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442: \u043f\u0440\u043e\u0441\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u043c \u0438\u0445 \u0441\u0435\u0440\u044b\u043c\u0438 \u0438 \u0441\u0442\u0430\u0432\u0438\u043c \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u0435 299*299.
       \u0412\u043e\u0442 \u043a\u043e\u0434:<\/p>\n
      import cv2 import os as s  def ResizeImags(from_,to_):     i = 0     name1 = s.listdir('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_)     while( i < len(name1)):         img = cv2.imread('\u0432\u0430\u0448 \u043f\u0443\u0442\u044c \u0434\u043e \u043f\u0430\u043f\u043a\u0438'+from_+'\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED)         gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)         resized = cv2.resize(gray_image, (299, 299), interpolation = cv2.INTER_AREA)         cv2.imwrite('.\/'+to_+'\/'+str(i)+'.jpg',resized)         i = i + 1<\/code><\/pre>\n
      \u0414\u0430\u043b\u0435\u0435 \u043c\u044b \u0441\u043e\u0437\u0434\u0430\u0435\u043c \u0444\u0430\u0439\u043b \u0432 google colab \u0438 \u043f\u0438\u0448\u0435\u043c \u0441\u0430\u043c\u0443 \u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0443.<\/p>\n
      \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f, \u0431\u044b\u043b\u0430 \u0432\u0437\u044f\u0442\u0430 \u0438\u0437 \u043f\u0440\u0438\u043c\u0435\u0440\u0430 \u043f\u0440\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u043e\u0434\u0435\u0436\u0434\u044b:<\/p>\n
      model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Flatten()) model.add(Dense(128,activation='relu')) model.add(Dense(64,activation='relu')) model.add(Dense(18,activation='relu')) model.add(Dense(2,activation='softmax'))  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])<\/code><\/pre>\n
      \u0410 \u0442\u0435\u043f\u0435\u0440\u044c, \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c \u043e \u043d\u0430\u0448\u0435\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435, \u043a\u0430\u043a \u0438\u0437 \u043f\u0430\u043f\u043a\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0434\u0430\u0442\u0430 \u0441\u0435\u0442, \u043d\u0443 \u0447\u0435\u0441\u0442\u043d\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0438\u043a\u0430\u043a\u043e\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 \u043c\u044b \u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0435\u043c, \u043f\u0440\u043e\u0441\u0442\u043e \u0438\u0437 \u043a\u0430\u0436\u0434\u043e\u0439 \u043f\u0430\u043f\u043a\u0438 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u043c\u0430\u0441\u0441\u0438\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a.<\/p>\n
      \u0412\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u044d\u0442\u043e \u0431\u0443\u0434\u0435\u0442 \u0442\u0430\u043a:<\/p>\n
      i = 0  while (i < 500): # \u0442\u0443\u0442 \u0432\u0441\u0435 \u043f\u043e\u043d\u044f\u0442\u043d\u043e , 500 \u0444\u043e\u0442\u043e\u043a == 500 \u044d\u0442\u0435\u0440\u0430\u0446\u0438\u0439     data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   # \u043f\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0434\u043e\u0431\u0430\u043b\u044f\u0435\u043c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u043c\u0443\u0436\u0447\u0438\u043d\u044b   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   # \u0436\u0435\u043d\u0449\u0438\u043d\u044b    data1.append( [0., 1.])   # \u043f\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0434\u043e\u0431\u0430\u043b\u044f\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u043c\u0443\u0436\u0447\u0438\u043d\u044b   data1.append( [1., 0.])   # \u0436\u0435\u043d\u0449\u0438\u043d\u044b    i = i + 1<\/code><\/pre>\n
      \u0412\u0435\u043a\u0442\u043e\u0440 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f — \u044d\u0442\u043e \u043c\u043e\u0439 \u0441\u043e\u0431\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0442\u0435\u0440\u043c\u0438\u043d, \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0430\u044e\u0449\u0438\u0439 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043b\u044e\u0431\u043e\u0433\u043e \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f, \u043b\u044e\u0431\u043e\u0439 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e\u0439 \u0444\u043e\u0440\u043c\u044b \u0432 \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0439 \u0444\u043e\u0440\u043c\u0430\u0442.
       \u0423\u0432\u0435\u0440\u0435\u043d , \u0447\u0442\u043e \u0434\u043b\u044f \u0442\u043e\u0433\u043e ,\u0447\u0442\u043e \u044f \u0438\u043c\u0435\u044e \u0432\u0432\u0438\u0434\u0443 , \u0435\u0441\u0442\u044c \u0441\u0432\u043e\u0439 \u0442\u0435\u0440\u043c\u0438\u043d , — \u044f \u0435\u0433\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0435 \u0437\u043d\u0430\u044e.<\/p>\n
      \u0414\u0430\u043b\u044c\u0448\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u0443\u043a\u0430\u0437\u044b\u0432\u0430\u044e \u0441 \u043a\u0430\u043a\u0438\u043c\u0438 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u0430\u043c\u0438 \u0431\u0443\u0434\u0435\u0442 \u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u043c\u043e\u044f \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f \u0441\u0435\u0442\u044c, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e: \u043a\u0430\u043a\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u043f\u043e\u0442\u0435\u0440\u044c(loss) — ‘\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u0430\u044f \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044f’, \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440 — ‘adam’, \u043c\u0435\u0442\u0440\u0438\u043a\u0430 \u043a\u043e\u0442\u043e\u0440\u0443\u044e \u0431\u0443\u0434\u0435\u043c \u0432\u0438\u0434\u0435\u0442\u044c \u0432 \u043c\u043e\u043c\u0435\u043d\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f — \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c.
       model.compile(loss=’categorical_crossentropy’, optimizer=’adam’, metrics=[‘accuracy’])<\/p>\n
      \u0412\u0435\u0441\u044c \u043a\u043e\u0434:<\/p>\n
      from typing_extensions import Text import keras import numpy as np import cv2 from keras.models import Sequential from keras.layers import Dense, Dropout , Conv2D , Flatten, MaxPooling2D    data = [] data1 = [] i = 0  while (i < 500):      data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255       )   data1.append( [0., 1.])   data1.append( [1., 0.])   i = i + 1  model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(MaxPooling2D()) model.add(Flatten()) model.add(Dense(128,activation='relu')) model.add(Dense(64,activation='relu')) model.add(Dense(18,activation='relu')) model.add(Dense(2,activation='softmax'))  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])  model.fit(np.array(data), np.array(data1) ,      epochs=7 )   print(     model.predict(         np.array(     [np.array(cv2.imread('.\/M\/'+str(519)+'.jpg', cv2.IMREAD_UNCHANGED))\/255]         )     ) )  print(     model.predict(         np.array(     [np.array(cv2.imread('.\/M\/'+str(541)+'.jpg', cv2.IMREAD_UNCHANGED))\/255]         )     ) )<\/code><\/pre>\n
      \u0412\u043e\u0442 \u0444\u043e\u0442\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438\u0441\u044c.<\/p>\n
      <\/figcaption><\/figure>\n<\/p>\n
      <\/figcaption><\/figure>\n<\/p>\n
      <\/figcaption><\/figure>\n<\/p>\n
      <\/figcaption><\/figure>\n
      \u041a\u0430\u0437\u0430\u043b\u043e\u0441\u044c \u0431\u044b, \u043c\u0438\u0441\u0441\u0438\u044f \u0432\u044b\u043f\u043e\u043b\u043d\u0435\u043d\u0430. \u041d\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u043e \u0434\u0440\u0443\u0433\u043e\u043c\u0443. \u041c\u043e\u0436\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0434\u0440\u0443\u0433\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443. \u0412 \u0447\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0440\u0430\u0437\u043d\u0438\u0446\u0430: \u0442\u0430\u043a-\u043a\u0430\u043a \u0443 \u043d\u0430\u0441 \u0432\u0441\u0435\u0433\u043e 2 \u0432\u0430\u0440\u0438\u0430\u043d\u0442\u0430, \u0442\u043e \u043c\u043e\u0436\u043d\u043e \u0432\u043c\u0435\u0441\u0442\u043e \u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0431\u0438\u043d\u0430\u0440\u043d\u0443\u044e \u043a\u0440\u043e\u0441\u0441 \u044d\u043d\u0442\u0440\u043e\u043f\u0438\u044e.<\/p>\n
      \u041d\u043e\u0432\u044b\u0439 \u043a\u043e\u0434:<\/p>\n
      import os import keras import numpy as np import cv2 from keras.models import Sequential from keras.layers import Dense, Dropout , Conv3D , Flatten, MaxPooling2D  data = []  data1 = []  i = 0  while (i < 500):   data.append(        np.array(cv2.imread('.\/M\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data.append(       np.array(cv2.imread('.\/W\/'+str(i)+'.jpg', cv2.IMREAD_UNCHANGED))\/255   )   data1.append( [1.])   data1.append( [0.])   i = i + 1  model = Sequential() model.add(Conv2D( 2, 3, activation='relu', padding=\"same\", input_shape=(299,299,1))) model.add(MaxPooling2D()) model.add(Conv2D( 2, 3, activation='relu', padding=\"same\")) model.add(Flatten()) model.add(Dense(64, activation='relu'))  model.add(Dense(64, activation='relu'))  model.add(Dropout(0.5))  model.add(Dense(1, activation='sigmoid'))  model.compile(loss='binary_crossentropy',                optimizer='rmsprop',                metrics=['accuracy'])  model.fit(np.array(data), np.array(data1) ,      epochs=10 )<\/code><\/pre>\n
      \u0412\u0441\u0435 \u0442\u043e\u0436\u0435 \u0441\u0430\u043c\u043e\u0435 \u043a\u0440\u043e\u043c\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438, \u0442\u0435\u043f\u0435\u0440\u044c \u043e\u043d\u0430 \u043d\u0435 softmax \u0430 sigmoid, \u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u043f\u043e\u0442\u0435\u0440\u044c.<\/p>\n
      \u041d\u0430\u0434\u0435\u044e\u0441\u044c \u043c\u043e\u044f \u043f\u0435\u0440\u0432\u0430\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u0432\u0430\u043c \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u0442\u0441\u044f, \u0438 \u043d\u043e\u0432\u0438\u0447\u043a\u0430\u043c \u043e\u043d\u0430 \u043a\u0430\u043a-\u0442\u043e \u043f\u043e\u043c\u043e\u0436\u0435\u0442, \u0432\u0441\u0435\u043c \u0443\u0434\u0430\u0447\u0438 !<\/p>\n
      git: https:\/\/github.com\/paradiseMaestro<\/a><\/p>\n<\/div>\n<\/div>\n<\/div>\n
      <\/div>\n<\/div>\n
        
       \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438        https:\/\/habr.com\/ru\/post\/697802\/<\/a>
      <\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-340895","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/340895","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=340895"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/340895\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=340895"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=340895"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=340895"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}