test_generator = DataReader(test_dir, [input_height, input_width], False,
input_channels, num_classes).get_generator()
print('Size of training set: {}'.format(
train_generator.get_data_size())) # вес тренировочных изображений
print('Size of testing set: {}'.format(
test_generator.get_data_size())) # вес тесовых изображенй изображений
print("{} Start training...".format(datetime.now())) # время начала обучения
# функция ,которая для каждой итерации считает ошибочность распознавания в обучении
for epoch in range(num_epochs):
print("{} Epoch number: {}".format(datetime.now(), epoch + 1))
loss = 0
for m in range(train_generator.get_data_size()): # переборка векторов
x, d = train_generator.next()
loss += one_layer_net.train(Vector(x, d),
learning_rate) # подсчет ошибок
print("loss = {}".format(loss / train_generator.get_data_size()))
train_generator.reset_pointer()
train_generator.shuffle_data()
passed = 0
#показывается насколько ожидаемый результат совпадает с реально распознанным числом
for i in range(test_generator.get_data_size()):
x, d = test_generator.next()
y = one_layer_net.test(Vector(x, d))
d_max_idx = get_max_neuron_idx(d)
y_max_idx = get_max_neuron_idx(y)
writer_1.add_graph(sess.graph)
print("{} Start training...".format(datetime.now()))
print("{} Open Tensorboard by command: tensorboard --logdir {}".format(
datetime.now(), log_path))
#
# Цикл по количеству эпох
for epoch in range(num_epochs):
print("{} Epoch number: {}".format(datetime.now(), epoch + 1))
step = 1
while step < train_patterns_per_epoch:
xs, ds = train_generator.next()
vector = Vector(xs, ds)
xs = vector.get_x()
ds = vector.get_desire_outputs()
# И запустить учебный оп
sess.run(train_op,
feed_dict={
x: xs,
y: ds,
learning_val: learning_rate
})
#
# Создать сводку с текущей партией данных и записать в файл
if step % display_step == 0:
