Небольшое задание по объему - нужно создать несколько моделей в GoogleCollab на языке Python согласно описанию ниже и выбрать из них лучший результат. Хороший пример выполнения задания - вот здесь. Только вам нужно создать его на основе данных, заданных преподавателем - они здесь. ДЕДЛАЙН - 19 АПРЕЛЯ.

Описание задачи на РУССКОМ (само задание должно быть выполнено на английском, формулировка задания на английском ниже)

Задача: Добейтесь наилучших результатов на наборе данных "Ножницы из бумаги"!

"Rock Paper Scissors" содержит изображения различных рук, принадлежащих представителям разных рас, возрастов и полов, расположенных в позе "камень/бумага или ножницы" и помеченных соответствующим образом. Вы можете загрузить обучающий набор здесь и тестовый набор здесь. Я создал эти изображения с помощью техники CGI в качестве эксперимента, чтобы определить, сможет ли модель, обученная на наборе данных, основанном на CGI, классифицировать реальные изображения. Я также создал несколько изображений, которые вы можете использовать для прогнозирования. Вы можете найти их здесь. Обратите внимание, что все эти изображения используют обычный белый фон. Каждое изображение имеет размер 300×300 пикселей в 24-битном цвете".

Ваша задача заключается в следующем:

- Загрузите набор данных из tensorflow_datasets следующим образом:

import tensorflow_datasets as tdfs
DATASET_NAME = 'rock_paper_scissors'
(dataset_train_raw, dataset_test_raw), dataset_info = tfds.load(
name=DATASET_NAME,
data_dir='tmp',
with_info=True,
as_supervised=True,
split=[tfds.Split.TRAIN, tfds.Split.TEST],
)

- Преобразуйте набор данных TensorFlow в массив NumPy, если хотите:

def dataset_to_numpy(ds):
"""
Convert TensorFlow dataset to NumPy arrays
"""
images = []
labels = []
# Iterate over a dataset
for i, (image, label) in enumerate(tfds.as_numpy(ds)):
images.append(image)
labels.append(label)
for i, img in enumerate(images):
if i < 3:
print(img.shape, labels[i])

return images, labels

● Разделите на обучающее, проверочное и тестовое множества.
● Задача: Добиться наилучших результатов на наборе данных rock_paper_scissors!
● Задача этой задачи - получить наилучшие результаты на наборе данных rock_paper_scissors, настраивая гиперпараметры NN-модели и наблюдая за сходимостью.
● Лучший - для простоты - означает наивысшую точность на валидационном множестве.
Добавлено ограничение: Модель с "наилучшей производительностью" должна быть сохранена, поэтому она не должна быть просто распечаткой, сделанной один раз во время обучения!
Вы НЕ можете манипулировать проверочным набором!
Пожалуйста, соблюдайте следующее:
● Вы должны использовать один отдельный Jupyter Notebook для решения задачи и отправки.
○ файл .ipynb, и
○ файл .pdf, созданный на основе блокнота.
Примечание для тех, кто работает в Google Colab: ссылки на ваш блокнот будет недостаточно: вы должны загрузить и отправить сам файл.
Следуйте принципу грамотного программирования и используйте ячейки блокнота в формате markdown.


Task description

Challenge: Get the best results on the rock paper scissors dataset!

"Rock Paper Scissors contains images from various hands, from different races, ages, and genders, posed into Rock / Paper or Scissors and labeled as such. You can download the training set here and the test set here. I created these images using CGI techniques as an experiment in determining if a model trained on a CGI-based dataset could classify real images. I also generated a few pictures that you can use for predictions. You can find them here. Note that all of these pictures use a plain white background. Each image is 300×300 pixels in 24-bit color."

Your task is as follows:

• Download the dataset from tensorflow_datasets like:

import tensorflow_datasets as tdfs
DATASET_NAME = 'rock_paper_scissors'
(dataset_train_raw, dataset_test_raw), dataset_info = tfds.load(
name=DATASET_NAME,
data_dir='tmp',
with_info=True,
as_supervised=True,
split=[tfds.Split.TRAIN, tfds.Split.TEST],
)

• Convert from TensorFlow dataset to NumPy array if you want:
•
def dataset_to_numpy(ds):
"""
Convert TensorFlow dataset to NumPy arrays
"""
images = []
labels = []
# Iterate over a dataset
for i, (image, label) in enumerate(tfds.as_numpy(ds)):
images.append(image)
labels.append(label)
for i, img in enumerate(images):
if i < 3:
print(img.shape, labels[i])

return images, labels

● Split to training, validation, and test sets.
● Challenge: Get the best results on the rock_paper_scissors dataset!
● The challenge of this task is to get the best results on the rock_paper_scissors dataset by tuning hyperparameters of a NN model and observing convergence behavior.
● Best - for simplicity - means the highest accuracy on the validation set.
Added constraint: The model with the "best performance" has to be saved, so it should not be just a printout happening once during training!
You may NOT manipulate the validation set!
Please observe the following:
● You must use a single standalone Jupyter Notebook to solve the task and submit
○ the .ipynb file, and
○ a .pdf file generated from the notebook.
Note for those working on Google Colab: a link to your notebook will not suffice: you have to download and submit the file itself.
Follow the principle of literate programming, and make use of the markdown cells of the notebook.