{"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"name":"python","version":"3.10.15","mimetype":"text/x-python","codemirror_mode":{"name":"ipython","version":3},"pygments_lexer":"ipython3","nbconvert_exporter":"python","file_extension":".py"},"kaggle":{"accelerator":"tpu1vmV38","dataSources":[{"sourceId":21154,"databundleVersionId":1243559,"sourceType":"competition"}],"dockerImageVersionId":30806,"isInternetEnabled":true,"language":"python","sourceType":"notebook","isGpuEnabled":false}},"nbformat_minor":4,"nbformat":4,"cells":[{"cell_type":"code","source":"import re\nimport random\n\nimport tensorflow as tf\n# последовательная модель (стек слоев)\nfrom tensorflow.keras.models import Sequential, Model\n# полносвязный слой и слой выпрямляющий матрицу в вектор\nfrom tensorflow.keras.layers import Dense, Flatten, Input\n# слой выключения нейронов и слой нормализации выходных данных (нормализует данные в пределах текущей выборки)\nfrom tensorflow.keras.layers import (Dropout, BatchNormalization, SpatialDropout2D, GaussianDropout,\n                                     GlobalAveragePooling2D, Dropout, LeakyReLU)\n# слои свертки и подвыборки\nfrom tensorflow.keras.layers import Conv2D, MaxPooling2D, AveragePooling2D\n# работа с обратной связью от обучающейся нейронной сети\nfrom tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau\n# вспомогательные инструменты\nfrom tensorflow.keras import utils\nfrom tensorflow.keras.regularizers import *\nimport numpy as np\nimport os\nfrom tensorflow.random import set_seed\ndef seed_everything(seed):\n    np.random.seed(seed)\n    set_seed(seed)\n    os.environ['PYTHONHASHSEED'] = str(seed)\n    os.environ['TF_DETERMINISTIC_OPS'] = '1'\n\nSEED = 42\nseed_everything(SEED)\n\n# работа с изображениями\nfrom tensorflow.keras.preprocessing import image\nimport matplotlib.pyplot as plt\n%matplotlib inline \n\n#  библиотека для работы с наборами данных на Kaggle\nfrom kaggle_datasets import KaggleDatasets\nprint(\"Tensorflow version \" + tf.__version__)","metadata":{"_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:41.603902Z","iopub.execute_input":"2024-12-19T16:40:41.604136Z","iopub.status.idle":"2024-12-19T16:40:58.539763Z","shell.execute_reply.started":"2024-12-19T16:40:41.604102Z","shell.execute_reply":"2024-12-19T16:40:58.538221Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Определяем, какой ускоритель можем использовать","metadata":{}},{"cell_type":"code","source":"AUTO = tf.data.experimental.AUTOTUNE\n# Detect TPU, return appropriate distribution strategy\ntry:\n    tpu = tf.distribute.cluster_resolver.TPUClusterResolver() \n    print('Running on TPU ', tpu.master())\nexcept ValueError:\n    tpu = None\n\nif tpu:\n    tf.config.experimental_connect_to_cluster(tpu)\n    tf.tpu.experimental.initialize_tpu_system(tpu)\n    strategy = tf.distribute.experimental.TPUStrategy(tpu)\nelse:\n    strategy = tf.distribute.get_strategy() \n\nprint(\"REPLICAS: \", strategy.num_replicas_in_sync)","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.540483Z","iopub.status.idle":"2024-12-19T16:40:58.5408Z","shell.execute_reply.started":"2024-12-19T16:40:58.540651Z","shell.execute_reply":"2024-12-19T16:40:58.540666Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Get my data path","metadata":{}},{"cell_type":"code","source":"GCS_DS_PATH = KaggleDatasets().get_gcs_path() #получаем путь к наборам данных","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.541966Z","iopub.status.idle":"2024-12-19T16:40:58.542302Z","shell.execute_reply.started":"2024-12-19T16:40:58.542123Z","shell.execute_reply":"2024-12-19T16:40:58.542156Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Set some parameters","metadata":{}},{"cell_type":"code","source":"IMAGE_SIZE = [224, 224] # при таком размере графическому процессору не хватит памяти. Используйте TPU\nEPOCHS = 80\nBATCH_SIZE = 16 * strategy.num_replicas_in_sync\n\nGCS_PATH_SELECT = { # available image sizes\n    192: GCS_DS_PATH + '/tfrecords-jpeg-192x192',\n    224: GCS_DS_PATH + '/tfrecords-jpeg-224x224',\n    331: GCS_DS_PATH + '/tfrecords-jpeg-331x331',\n    512: GCS_DS_PATH + '/tfrecords-jpeg-512x512'\n}\nGCS_PATH = GCS_PATH_SELECT[IMAGE_SIZE[0]]\n\nTRAINING_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/train/*.tfrec')\nVALIDATION_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/val/*.tfrec')\nTEST_FILENAMES = tf.io.gfile.glob(GCS_PATH + '/test/*.tfrec')","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.54328Z","iopub.status.idle":"2024-12-19T16:40:58.543619Z","shell.execute_reply.started":"2024-12-19T16:40:58.543452Z","shell.execute_reply":"2024-12-19T16:40:58.543468Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Загружаем данные","metadata":{}},{"cell_type":"code","source":"def decode_image(image_data):\n    \"\"\"Декодирует изображение в vyjujvthye. vfnhbwe (тензор)\n    Нормализует данные и преобразовывает изображения к указанному размеру\"\"\"\n    image = tf.image.decode_jpeg(image_data, channels=3) # Декодирование изображения в формате JPEG в тензор uint8.\n    image = tf.cast(image, tf.float32) / 255.0  # преобразовать изображение в плавающее в диапазоне [0, 1]\n    image = tf.reshape(image, [*IMAGE_SIZE, 3]) # явный размер, необходимый для TPU\n#     image = tf.keras.applications.inception_resnet_v2.preprocess_input(image)\n    return image\n\ndef read_labeled_tfrecord(example):\n    LABELED_TFREC_FORMAT = {\n        \"image\": tf.io.FixedLenFeature([], tf.string), # tf.string означает байтовую строку\n        \"class\": tf.io.FixedLenFeature([], tf.int64),  # [] означает отдельный элемент\n    }\n    example = tf.io.parse_single_example(example, LABELED_TFREC_FORMAT) # парсим отдельный пример в указанном формате\n    image = decode_image(example['image']) # преобразуем изображение к нужному нам формату\n    label = tf.cast(example['class'], tf.int32)\n    return image, label # возвращает набор данных пар (изображение, метка)\n\ndef read_unlabeled_tfrecord(example):\n    UNLABELED_TFREC_FORMAT = {\n        \"image\": tf.io.FixedLenFeature([], tf.string), # tf.string означает байтовую строку\n        \"id\": tf.io.FixedLenFeature([], tf.string),  # [] означает отдельный элемент\n        # класс отсутствует, задача этого конкурса - предсказать классы цветов для тестового набора данных\n    }\n    example = tf.io.parse_single_example(example, UNLABELED_TFREC_FORMAT)\n    image = decode_image(example['image']) # преобразуем изображение к нужному нам формату\n    idnum = example['id']\n    return image, idnum # returns a dataset of image(s)\n\ndef load_dataset(filenames, labeled=True, ordered=False):\n    \"\"\"Читает из TFRecords. Для оптимальной производительности одновременное чтение из нескольких\n    файлов без учета порядка данных. Порядок не имеет значения, поскольку мы все равно будем перетасовывать данные\"\"\"\n\n    ignore_order = tf.data.Options() # Представляет параметры для tf.data.Dataset.\n    if not ordered:\n        ignore_order.experimental_deterministic = False # отключить порядок, увеличить скорость\n\n    dataset = tf.data.TFRecordDataset(filenames, num_parallel_reads=AUTO) # автоматически чередует чтение из нескольких файлов\n    dataset = dataset.with_options(ignore_order) # использует данные сразу после их поступления, а не в исходном порядке\n    dataset = dataset.map(read_labeled_tfrecord if labeled else read_unlabeled_tfrecord, num_parallel_calls=AUTO)\n    # возвращает набор данных пар (изображение, метка), если метка = Истина, или пар (изображение, идентификатор), если метка = Ложь\n    return dataset\n\ndef get_training_dataset():\n    dataset = load_dataset(TRAINING_FILENAMES, labeled=True)\n    dataset = dataset.repeat() # набор обучающих данных должен повторяться в течение нескольких эпох\n    dataset = dataset.shuffle(2048)\n    dataset = dataset.batch(BATCH_SIZE)\n    dataset = dataset.prefetch(AUTO) #готовим следующий набор, пока предыдущий обучается\n    return dataset\n\ndef get_validation_dataset():\n    dataset = load_dataset(VALIDATION_FILENAMES, labeled=True, ordered=False)\n    dataset = dataset.batch(BATCH_SIZE)\n    dataset = dataset.cache() # кешируем набор\n    dataset = dataset.prefetch(AUTO) #готовим следующий набор, пока предыдущий обучается\n    return dataset\n\ndef get_test_dataset(ordered=False):\n    dataset = load_dataset(TEST_FILENAMES, labeled=False, ordered=ordered)\n    dataset = dataset.batch(BATCH_SIZE)\n    dataset = dataset.prefetch(AUTO) #готовим следующий набор, пока предыдущий обучается\n    return dataset\n                               \ndef count_data_items(filenames):\n    # the number of data items is written in the name of the .tfrec files, i.e. flowers00-230.tfrec = 230 data items\n    n = [int(re.compile(r\"-([0-9]*)\\.\").search(filename).group(1)) for filename in filenames]\n    return np.sum(n)\n\n# training_dataset = get_training_dataset()\n# validation_dataset = get_validation_dataset()\n\nNUM_TRAINING_IMAGES = count_data_items(TRAINING_FILENAMES)\nNUM_VALIDATION_IMAGES = count_data_items(VALIDATION_FILENAMES)\nNUM_TEST_IMAGES = count_data_items(TEST_FILENAMES)\nSTEPS_PER_EPOCH = NUM_TRAINING_IMAGES // BATCH_SIZE\nprint('Dataset: {} training images, {} validation images, {} unlabeled test images'.format(NUM_TRAINING_IMAGES, NUM_VALIDATION_IMAGES, NUM_TEST_IMAGES))","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.544974Z","iopub.status.idle":"2024-12-19T16:40:58.545262Z","shell.execute_reply.started":"2024-12-19T16:40:58.545121Z","shell.execute_reply":"2024-12-19T16:40:58.545135Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Построение модели","metadata":{}},{"cell_type":"code","source":"def get_model():\n    model = Sequential()\n\n    ## Первый сверточный блок\n    model.add(Conv2D(64, (5, 5), activation='relu', kernel_regularizer=l2(1e-5), input_shape=(*IMAGE_SIZE, 3)))\n    model.add(BatchNormalization())\n    model.add(Conv2D(64, (3, 3), activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(AveragePooling2D(pool_size=(2, 2)))\n    model.add(Dropout(0.35))\n    \n\n    ## Второй сверточный блок\n    model.add(Conv2D(128, (3, 3), activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(Conv2D(128, (3, 3), activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(AveragePooling2D(pool_size=(2, 2)))\n    model.add(Dropout(0.25))\n    \n\n    ## Третий сверточный блок\n    model.add(Conv2D(256, (5, 5), activation='relu', kernel_regularizer=l2(1e-5)))\n    model.add(BatchNormalization())\n    model.add(Conv2D(256, (3, 3), activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(Conv2D(256, (1, 1), activation='relu', kernel_regularizer=l2(1e-3)))\n    model.add(BatchNormalization())\n    model.add(AveragePooling2D(pool_size=(2, 2)))\n    model.add(Dropout(0.45))\n    \n\n    ## Четвертый сверточный блок\n    model.add(Conv2D(512, (3, 3), activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(Conv2D(512, (1, 1), activation='relu', kernel_regularizer=l2(1e-3)))\n    model.add(BatchNormalization())\n    model.add(AveragePooling2D(pool_size=(2, 2)))\n    model.add(Dropout(0.5))\n    \n\n    ## Global Average Pooling\n    model.add(GlobalAveragePooling2D())\n\n    ## Полносвязный блок\n    model.add(Dense(512, activation='relu', kernel_regularizer=l2(1e-4)))\n    model.add(BatchNormalization())\n    model.add(Dropout(0.5))\n    model.add(Dense(104, activation='softmax'))\n\n    return model\n\n\nwith strategy.scope():    \n    model = get_model()\nmodel.summary()","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.546089Z","iopub.status.idle":"2024-12-19T16:40:58.546364Z","shell.execute_reply.started":"2024-12-19T16:40:58.546227Z","shell.execute_reply":"2024-12-19T16:40:58.546241Z"}},"outputs":[],"execution_count":null},{"cell_type":"code","source":"callbacks_list = [EarlyStopping(monitor='val_loss', patience=6, restore_best_weights=True),\n                  ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=3),\n                  ]\n\nwith strategy.scope():\n    model = get_model()\n    model.compile(\n        optimizer='nadam',\n        loss = 'sparse_categorical_crossentropy',\n        metrics=['sparse_categorical_accuracy']\n    )\n    \n    historical = model.fit(get_training_dataset(), \n              steps_per_epoch=STEPS_PER_EPOCH, \n              epochs=EPOCHS, \n              callbacks=callbacks_list,\n              validation_data=get_validation_dataset())","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.547302Z","iopub.status.idle":"2024-12-19T16:40:58.547634Z","shell.execute_reply.started":"2024-12-19T16:40:58.547469Z","shell.execute_reply":"2024-12-19T16:40:58.547484Z"}},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Инференс","metadata":{}},{"cell_type":"code","source":"# Поскольку мы разделяем набор данных и выполняем итерацию отдельно для изображений и идентификаторов, порядок имеет значение.\ntest_ds = get_test_dataset(ordered=True) \n\nprint('Вычисляем предсказания...')\ntest_images_ds = test_ds.map(lambda image, idnum: image)\nprobabilities = model.predict(test_images_ds)\npredictions = np.argmax(probabilities, axis=-1)\nprint(predictions)\n\nprint('Создание файла submission.csv...')\ntest_ids_ds = test_ds.map(lambda image, idnum: idnum).unbatch()\ntest_ids = next(iter(test_ids_ds.batch(NUM_TEST_IMAGES))).numpy().astype('U') # все в одной партии\nnp.savetxt('submission.csv', np.rec.fromarrays([test_ids, predictions]), fmt=['%s', '%d'], delimiter=',', header='id,label', comments='')","metadata":{"trusted":true,"execution":{"iopub.status.busy":"2024-12-19T16:40:58.548563Z","iopub.status.idle":"2024-12-19T16:40:58.548848Z","shell.execute_reply.started":"2024-12-19T16:40:58.54871Z","shell.execute_reply":"2024-12-19T16:40:58.548723Z"}},"outputs":[],"execution_count":null},{"cell_type":"code","source":"","metadata":{"trusted":true},"outputs":[],"execution_count":null}]}