Add files via upload

AI.ipynb

@@ -0,0 +1,124 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "8189e15a",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Importieren der benötigten Pakete\n",
+    "import tensorflow as tf\n",
+    "from tensorflow.keras.datasets import cifar10\n",
+    "from tensorflow.keras.preprocessing.image import ImageDataGenerator\n",
+    "from tensorflow.keras.models import Sequential\n",
+    "from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten\n",
+    "from tensorflow.keras.layers import Conv2D, MaxPooling2D\n",
+    "from tensorflow.keras.callbacks import TensorBoard\n",
+    "\n",
+    "import numpy as np\n",
+    "import pickle\n",
+    "import time\n",
+    "\n",
+    "\n",
+    "\n",
+    "\n",
+    "\n",
+    "\n",
+    "# Öffnen der Input Datei um sie in Binär zu lesen (rb = read-binary)\n",
+    "pickle_in = open(\"X.pickle\",\"rb\")\n",
+    "# Geöffnete Datei in das Program laden\n",
+    "X = pickle.load(pickle_in)\n",
+    "\n",
+    "# Selbe nochmal nur mit der Output Layer\n",
+    "pickle_in = open(\"y.pickle\",\"rb\")\n",
+    "y = pickle.load(pickle_in)\n",
+    "\n",
+    "# Den Output in einen Numpy Array stecken um es später zu verwenden\n",
+    "y = np.array(y)\n",
+    "# Input(Bild Pixel) durch 255(rgb) dividieren um Graues Bild zu bekommen\n",
+    "X = X/255.0\n",
+    "\n",
+    "\n",
+    "dense_layer = [1]\n",
+    "layer_size = [64]\n",
+    "conv_layer = [3]\n",
+    "\n",
+    "\n",
+    "\n",
+    "for dense_layer in dense_layer:\n",
+    "    for layer_size in layer_size:\n",
+    "        for conv_layer in conv_layer:\n",
+    "            # Definieren des Datei-Namen\n",
+    "            NAME = \"{}-conv-{}-nodes-{}-dense\".format(conv_layer, layer_size, dense_layer)\n",
+    "            # Ein Tensorboard erstellen\n",
+    "            tensorboard = tf.keras.callbacks.TensorBoard(log_dir='logs/{}'.format(NAME))\n",
+    "\n",
+    "            print(NAME)\n",
+    "\n",
+    "            # Sequential wird für Layers benutzt die nur einen Input und einen Output haben\n",
+    "            model = Sequential()\n",
+    "\n",
+    "            # Hinzufügen einer \"Hidden Layer\" mit der obigen definierten Größe 64, (3,3) Kerne und dem im Script vorher definierten Shape\n",
+    "            model.add(Conv2D(layer_size, (3,3), input_shape=X.shape[1:]))\n",
+    "            # Activation Layer ist relu sprich es gibt uns eine lineare Funktion aus wenn der Input Positiv ist\n",
+    "            model.add(Activation('relu'))\n",
+    "            # Das Maximum-Pooling oder Max-Pooling ist eine Pooling-Operation, bei der der maximale oder größte Wert berechnet wird\n",
+    "            model.add(MaxPooling2D(pool_size=(2, 2)))\n",
+    "            \n",
+    "            \n",
+    "            for l in range(conv_layer-1):\n",
+    "                model.add(Conv2D(layer_size, (3, 3)))\n",
+    "                model.add(Activation('relu'))\n",
+    "                model.add(MaxPooling2D(pool_size=(2, 2)))\n",
+    "            \n",
+    "            # Alle Dimensionen bis auf eine entfernen\n",
+    "            model.add(Flatten()) \n",
+    "            \n",
+    "            for l in range(dense_layer):\n",
+    "                model.add(Dense(512))\n",
+    "                model.add(Activation('relu'))\n",
+    "\n",
+    "\n",
+    "            # Output Layer\n",
+    "            model.add(Dense(1))\n",
+    "            # Die Sigmoid Kurve ähnelt der Form eines S und kann einen Wert zwischen 0 und 1 annehmen (loss and accuracy)\n",
+    "            model.add(Activation('sigmoid'))\n",
+    "    \n",
+    "    \n",
+    "            # Binary_Crossentropy gibt einen Output von 0 oder 1\n",
+    "            # Der Adamoptimizer ist ein optimizer in TensorFlow, der eine adaptive Lernrate verwendet, um die Gewichte in einem neuronale Netzwerk zu aktualisieren\n",
+    "            # Es soll nach genauigkeit trainieren und diese aufzeichnen\n",
+    "            model.compile(loss='binary_crossentropy',\n",
+    "                          optimizer='adam',\n",
+    "                          metrics=['accuracy'])\n",
+    "            # Anfangen das Model mit den Pickle dateien für 10 Epochen zu belehren. Außerdem die Logs auf das Tensorboard speicher und anzeigen\n",
+    "            model.fit(X, y, batch_size=32, epochs=10, validation_split=0.1, callbacks=tensorboard)\n",
+    "            \n",
+    "            model.save('64x3-CNN.model')\n",
+    "       "
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.15"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

EndProduct.ipynb

@@ -0,0 +1,71 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "bc93610d",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Importieren der Pakekte\n",
+    "import cv2\n",
+    "import tensorflow as tf\n",
+    "\n",
+    "# Kategorien defienieren. In diesem Falle nur 2 da wir mit einem Binary_Crossentropy arbeiten (Nur 2 Klassifizierungen)\n",
+    "category = ['Dog', 'Cat'] \n",
+    "\n",
+    "# Dateipfad und funktion definieren\n",
+    "def prepare(filepath):\n",
+    "    \n",
+    "    # Größe des Bildes bestimmen (Desto kleiner desto weniger Lernmaterial) \n",
+    "    IMG_SIZE = 50\n",
+    "    \n",
+    "    # Bild in einen Array machen und in Schwarz-Weiß umformen\n",
+    "    img_array = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)\n",
+    "    \n",
+    "    # Bild größe anpassen\n",
+    "    new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))\n",
+    "    \n",
+    "    # Bild als Schwarz-Weiß und mit neuer Größe zurückgeben\n",
+    "    return new_array.reshape(-1, IMG_SIZE, IMG_SIZE, 1)\n",
+    "\n",
+    "#Model das wir bereits erstellt haben, hier reinladen und verwenden (WICHTIG: Name MUSS übereinstimmen)\n",
+    "model = tf.keras.models.load_model(\"64x3-CNN.model\")\n",
+    "\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "2f07fa08",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "prediction = model.predict([prepare('cat.jpg')])\n",
+    "print(prediction)"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.15"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}