{"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"name":"python","version":"3.7.12","mimetype":"text/x-python","codemirror_mode":{"name":"ipython","version":3},"pygments_lexer":"ipython3","nbconvert_exporter":"python","file_extension":".py"},"kaggle":{"accelerator":"nvidiaTeslaT4","dataSources":[{"sourceId":21154,"databundleVersionId":1243559,"sourceType":"competition"}],"dockerImageVersionId":30446,"isInternetEnabled":true,"language":"python","sourceType":"notebook","isGpuEnabled":true}},"nbformat_minor":4,"nbformat":4,"cells":[{"cell_type":"markdown","source":"# TF 2.2 блокнот\n[По сути, это перевод стартового блокнота от команды TensorFlow](https://www.kaggle.com/philculliton/a-simple-petals-tf-2-2-notebook)","metadata":{}},{"cell_type":"code","source":"import 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\nfrom tensorflow.keras.layers import GlobalAveragePooling2D, SeparableConv2D, Reshape, Multiply, Activation, Add\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\nimport matplotlib.pyplot as plt\n%matplotlib inline \nprint(\"Tensorflow version \" + tf.__version__)","metadata":{"_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","execution":{"iopub.status.busy":"2025-12-01T16:05:14.335309Z","iopub.execute_input":"2025-12-01T16:05:14.336199Z","iopub.status.idle":"2025-12-01T16:05:14.358107Z","shell.execute_reply.started":"2025-12-01T16:05:14.336155Z","shell.execute_reply":"2025-12-01T16:05:14.356845Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Определяем, какой ускоритель можем использовать","metadata":{}},{"cell_type":"code","source":"# Обнаружение оборудования, возврат соответствующей стратегии распространения: TPU, GPU, CPU\ntry:\n    tpu = tf.distribute.cluster_resolver.TPUClusterResolver()  # Обнаружение TPU. Параметры среды не требуются, если задана переменная среды TPU_NAME. На Kaggle это всегда так.\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() # стратегия распространения по умолчанию в Tensorflow. Работает на CPU и одном GPU.\n\nprint(\"REPLICAS: \", strategy.num_replicas_in_sync)","metadata":{"execution":{"iopub.status.busy":"2025-12-01T16:04:45.520464Z","iopub.execute_input":"2025-12-01T16:04:45.520923Z","iopub.status.idle":"2025-12-01T16:04:45.529341Z","shell.execute_reply.started":"2025-12-01T16:04:45.520885Z","shell.execute_reply":"2025-12-01T16:04:45.527806Z"},"trusted":true},"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":{"execution":{"iopub.status.busy":"2025-12-01T16:04:46.265318Z","iopub.execute_input":"2025-12-01T16:04:46.265770Z","iopub.status.idle":"2025-12-01T16:04:46.520699Z","shell.execute_reply.started":"2025-12-01T16:04:46.265729Z","shell.execute_reply":"2025-12-01T16:04:46.519454Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Set some parameters","metadata":{}},{"cell_type":"code","source":"IMAGE_SIZE = [192, 192] # при таком размере графическому процессору не хватит памяти. Используйте TPU\nEPOCHS = 80\nBATCH_SIZE = 16 * strategy.num_replicas_in_sync\n\nNUM_TRAINING_IMAGES = 12753\nNUM_TEST_IMAGES = 7382\nSTEPS_PER_EPOCH = NUM_TRAINING_IMAGES // BATCH_SIZE # находим количество шагов за эпоху","metadata":{"execution":{"iopub.status.busy":"2025-12-01T16:04:46.646550Z","iopub.execute_input":"2025-12-01T16:04:46.647004Z","iopub.status.idle":"2025-12-01T16:04:46.653320Z","shell.execute_reply.started":"2025-12-01T16:04:46.646964Z","shell.execute_reply":"2025-12-01T16:04:46.651999Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Загружаем данные\n\nЭти данные загружаются из Kaggle и автоматически сегментируются для максимального распараллеливания.","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 augment_image(image, label):\n    \"\"\"Функция аугментации изображений с использованием tf.image операций\"\"\"\n    # Случайное горизонтальное отражение\n    image = tf.image.random_flip_left_right(image)\n    \n    # Случайное вертикальное отражение\n    image = tf.image.random_flip_up_down(image)\n    \n    # Случайное изменение яркости\n    image = tf.image.random_brightness(image, max_delta=0.2)\n    \n    # Случайное изменение контрастности\n    image = tf.image.random_contrast(image, lower=0.8, upper=1.2)\n    \n    # Случайное изменение насыщенности\n    image = tf.image.random_saturation(image, lower=0.8, upper=1.2)\n    \n    # Случайный поворот\n    image = tf.image.rot90(image, k=tf.random.uniform(shape=[], minval=0, maxval=4, dtype=tf.int32))\n    \n    # Обрезаем значения пикселей до диапазона [0, 1]\n    image = tf.clip_by_value(image, 0.0, 1.0)\n    \n    return image, label\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) # 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=tf.data.AUTOTUNE)\n    # возвращает набор данных пар (изображение, метка), если метка = Истина, или пар (изображение, идентификатор), если метка = Ложь\n    dataset = dataset.map(augment_image, num_parallel_calls=tf.data.AUTOTUNE)\n    return dataset\n\ndef get_training_dataset():\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/train/*.tfrec'), 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    return dataset\n\ndef get_validation_dataset():\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/val/*.tfrec'), labeled=True, ordered=False)\n    dataset = dataset.batch(BATCH_SIZE)\n    dataset = dataset.cache() # кешируем набор\n    return dataset\n\ndef get_test_dataset(ordered=False):\n    dataset = load_dataset(tf.io.gfile.glob(GCS_DS_PATH + '/tfrecords-jpeg-192x192/test/*.tfrec'), labeled=False, ordered=ordered)\n    dataset = dataset.batch(BATCH_SIZE)\n    return dataset\n\ntraining_dataset = get_training_dataset()\nvalidation_dataset = get_validation_dataset()","metadata":{"execution":{"iopub.status.busy":"2025-12-01T16:04:47.001463Z","iopub.execute_input":"2025-12-01T16:04:47.001891Z","iopub.status.idle":"2025-12-01T16:04:47.501203Z","shell.execute_reply.started":"2025-12-01T16:04:47.001850Z","shell.execute_reply":"2025-12-01T16:04:47.500045Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Построить модель на TPU (или GPU, или CPU...) с Tensorflow 2.1!","metadata":{}},{"cell_type":"code","source":"def get_model():\n    # Конфигурация\n    input_shape = (*IMAGE_SIZE, 3)\n    num_classes = 104\n    \n    inputs = Input(shape=input_shape)\n    \n    # --- Входной блок (Stem) ---\n    # Начальная свертка для извлечения низкоуровневых признаков\n    x = Conv2D(32, (3, 3), strides=2, padding='same', use_bias=False)(inputs)\n    x = BatchNormalization()(x)\n    x = Activation('swish')(x)\n    \n    x = Conv2D(64, (3, 3), padding='same', use_bias=False)(x)\n    x = BatchNormalization()(x)\n    x = Activation('swish')(x)\n\n    # --- Блоки построения (Residual Blocks) ---\n    # Мы постепенно увеличиваем количество фильтров и уменьшаем размерность\n    \n    # Блок 1: 64 фильтра\n    x = residual_block(x, 64, downsample=False)\n    x = residual_block(x, 64, downsample=False)\n    \n    # Блок 2: 128 фильтров (уменьшаем размерность)\n    x = residual_block(x, 128, downsample=True)\n    x = residual_block(x, 128, downsample=False)\n    x = residual_block(x, 128, downsample=False)\n    \n    # Блок 3: 256 фильтров\n    x = residual_block(x, 256, downsample=True)\n    x = residual_block(x, 256, downsample=False)\n    x = residual_block(x, 256, downsample=False)\n    x = residual_block(x, 256, downsample=False)\n    \n    # Блок 4: 512 фильтров\n    x = residual_block(x, 512, downsample=True)\n    x = residual_block(x, 512, downsample=False)\n    \n    # Блок 5: 1024 фильтра (финальные признаки)\n    x = residual_block(x, 1024, downsample=True)\n    x = residual_block(x, 1024, downsample=False)\n\n    # --- Выходной блок (Head) ---\n    x = GlobalAveragePooling2D()(x)\n    \n    # Dropout для борьбы с переобучением\n    x = Dropout(0.5)(x)\n    \n    # Финальный полносвязный слой\n    outputs = Dense(num_classes, activation='softmax', dtype='float32')(x)\n    \n    model = Model(inputs, outputs)\n    \n    # Компиляция с Label Smoothing (важно для обучения с нуля!)\n    optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)\n    \n    model.compile(\n        optimizer=optimizer,\n        loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),\n        metrics=['sparse_categorical_accuracy']\n    )\n    \n    return model\n\ndef residual_block(x, filters, downsample=False):\n    \"\"\"\n    Создает блок с остаточной связью (ResNet style) и Separable Conv.\n    Включает в себя SE-Attention.\n    \"\"\"\n    shortcut = x\n    \n    # Если меняем размерность (strides=2) или количество фильтров,\n    # нужно преобразовать shortcut, чтобы их можно было сложить\n    stride = 2 if downsample else 1\n    \n    if downsample or x.shape[-1] != filters:\n        shortcut = Conv2D(filters, (1, 1), strides=stride, padding='same', use_bias=False)(shortcut)\n        shortcut = BatchNormalization()(shortcut)\n\n    # --- Основной путь ---\n    # 1. Separable Conv 3x3\n    x = SeparableConv2D(filters, (3, 3), strides=stride, padding='same', use_bias=False)(x)\n    x = BatchNormalization()(x)\n    x = Activation('swish')(x)\n    \n    # 2. Separable Conv 3x3\n    x = SeparableConv2D(filters, (3, 3), padding='same', use_bias=False)(x)\n    x = BatchNormalization()(x)\n    \n    # 3. Squeeze-and-Excitation (Attention) Block\n    x = se_block(x, filters)\n    \n    # --- Сложение (Skip Connection) ---\n    x = Add()([x, shortcut])\n    x = Activation('swish')(x)\n    \n    return x\n\ndef se_block(x, filters, ratio=16):\n    \"\"\"\n    Squeeze-and-Excitation Block.\n    Помогает сети понимать важность каждого канала.\n    \"\"\"\n    se = GlobalAveragePooling2D()(x)\n    se = Reshape((1, 1, filters))(se)\n    \n    # Сжатие (Squeeze)\n    se = Dense(filters // ratio, activation='swish', use_bias=False)(se)\n    \n    # Возбуждение (Excitation)\n    se = Dense(filters, activation='sigmoid', use_bias=False)(se)\n    \n    # Масштабирование входных данных\n    return Multiply()([x, se])\n\n# Создание модели в стратегии\nwith strategy.scope():\n    model = get_model()\n\nmodel.summary()","metadata":{"execution":{"iopub.status.busy":"2025-12-01T16:05:17.241836Z","iopub.execute_input":"2025-12-01T16:05:17.242231Z","iopub.status.idle":"2025-12-01T16:05:19.625584Z","shell.execute_reply.started":"2025-12-01T16:05:17.242196Z","shell.execute_reply":"2025-12-01T16:05:19.624265Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"code","source":"callbacks_list = [EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True),\n                  ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3),\n                  ]\n\nmodel.compile(\n    optimizer='nadam',\n    loss = 'sparse_categorical_crossentropy',\n    metrics=['sparse_categorical_accuracy']\n)\n\nhistorical = model.fit(training_dataset, \n          steps_per_epoch=STEPS_PER_EPOCH, \n          epochs=EPOCHS, \n          callbacks=callbacks_list,\n          validation_data=validation_dataset)","metadata":{"execution":{"iopub.status.busy":"2025-12-01T16:05:33.693717Z","iopub.execute_input":"2025-12-01T16:05:33.694152Z","execution_failed":"2025-12-01T16:06:04.225Z"},"trusted":true},"outputs":[],"execution_count":null},{"cell_type":"markdown","source":"# Вычислите свои прогнозы на тестовом наборе!\n\nCоздадим файл, который можно будет отправить на конкурс.","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},"outputs":[],"execution_count":null}]}