[merge with main]

exercises/Jupyter notebook CVML.ipynb

@@ -2374,7 +2374,9 @@
     "en de rmsprop als optimizer.\n",
     "We willen de accuracy vergelijken door deze als metric mee te geven.\n",
     "\n",
-    "TODO optimizer en loss uitleggen\n",
+    "we gebruiken de rmsprop optimizer omdat deze goed te gebruiken is voor kleine\n",
+    "batch sizes.\n",
+    "TODO loss uitleggen\n",
     "\"\"\"\n",
     "model.compile(loss='categorical_crossentropy',\n",
     "             optimizer='rmsprop',\n",
@@ -2457,6 +2459,7 @@
     }
    ],
    "source": [
+    "#laad image in en haal de alpha channel eraf\n",
     "img2 = mpimg.imread('../data/imgs/training/sem/6.png')\n",
     "img3 = img2[:,:,:3]\n",
     "img3.shape\n",
@@ -2470,6 +2473,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
+    "# maak image data generator objecten\n",
     "train = ImageDataGenerator()\n",
     "validation = ImageDataGenerator()"
    ]
@@ -2490,6 +2494,14 @@
     }
    ],
    "source": [
+    "\"\"\"\n",
+    "maak de datasets aan en lees fotos in, we gebruiken een target size van \n",
+    "200 bij 200, met een batch size van 3 omdat we een vrij kleine dataset\n",
+    "hebben. We gebruiken binary als class mode omdat we maar 2 classes hebben\n",
+    "(lars en sem)\n",
+    "\"\"\"\n",
+    "\n",
+    "\n",
     "train_dataset = train.flow_from_directory('../data/imgs/training',\n",
     "                                         target_size=(200,200),\n",
     "                                         batch_size=3,\n",
@@ -2519,6 +2531,7 @@
     }
    ],
    "source": [
+    "# laat de indices van de classes zien\n",
     "train_dataset.class_indices"
    ]
   },
@@ -2541,6 +2554,7 @@
     }
    ],
    "source": [
+    "# hier kunnen we zien hoeveel 'lars' classes zijn en hoeveel 'sem'\n",
     "train_dataset.classes"
    ]
   },
@@ -2551,23 +2565,60 @@
    "metadata": {},
    "outputs": [],
    "source": [
+    "# maak een sequentieel model aan\n",
     "model = tf.keras.models.Sequential()\n",
-    "\n",
+    "\"\"\"\n",
+    "voeg een convolutional layer toe met 16 filters, en een filter size van 3x3,\n",
+    "en de relu activation function. Ook heeft het een input shape van 200x200\n",
+    "en 3 lagen omdat we 3 channels hebben.\n",
+    "Voeg daarna een maxpool laag toe met een stride van kernel van 2x2\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Conv2D(16,(3,3),activation='relu',\n",
     "                                 input_shape=(200,200,3)))\n",
     "model.add(tf.keras.layers.MaxPool2D(2,2))\n",
     "\n",
+    "\"\"\"\n",
+    "voeg een convolutional layer toe met 32 filters, en een filter size van 3x3,\n",
+    "en de relu activation function. Ook heeft het een input shape van 200x200\n",
+    "en 3 lagen omdat we 3 channels hebben.\n",
+    "Voeg daarna een maxpool laag toe met een stride van kernel van 2x2\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Conv2D(32,(3,3),activation='relu'))\n",
     "model.add(tf.keras.layers.MaxPool2D(2,2))\n",
     "\n",
+    "\"\"\"\n",
+    "voeg een convolutional layer toe met 64 filters, en een filter size van 3x3,\n",
+    "en de relu activation function. Ook heeft het een input shape van 200x200\n",
+    "en 3 lagen omdat we 3 channels hebben.\n",
+    "Voeg daarna een maxpool laag toe met een stride van kernel van 2x2\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Conv2D(64,(3,3),activation='relu'))\n",
     "model.add(tf.keras.layers.MaxPool2D(2,2))\n",
     "\n",
+    "\"\"\"\n",
+    "voeg een convolutional layer toe met 128 filters, en een filter size van 3x3,\n",
+    "en de relu activation function. Ook heeft het een input shape van 200x200\n",
+    "en 3 lagen omdat we 3 channels hebben.\n",
+    "Voeg daarna een maxpool laag toe met een stride van kernel van 2x2\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Conv2D(128,(3,3),activation='relu'))\n",
     "model.add(tf.keras.layers.MaxPool2D(2,2))\n",
     "\n",
+    "\"\"\"\n",
+    "voeg een flatten laag toe die het resultaat flattent zodat alle lagen achter\n",
+    "elkaar gezet worden en ze gebruikt kunnen worden als input voor de volgende\n",
+    "dense laag.\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Flatten())\n",
+    "\n",
+    "\"\"\"\n",
+    "voeg een dense laag toe met 512 outputs die de relu activatie functie gebruikt.\n",
+    "Dit wordt gedaan omdat deze laag dan fully connected is en zodat de volgende\n",
+    "laag een prediction kan doen met de sigmoid activatiefunctie.\n",
+    "\"\"\"\n",
     "model.add(tf.keras.layers.Dense(512,activation='relu'))\n",
+    "\n",
+    "# voeg een dense layer toe met 1 output die als result gebruikt zal worden\n",
     "model.add(tf.keras.layers.Dense(1,activation='sigmoid'))"
    ]
   },
@@ -2578,6 +2629,15 @@
    "metadata": {},
    "outputs": [],
    "source": [
+    "\"\"\"\n",
+    "compile het model met de binary crossentropy loss function. Dit doen we omdat\n",
+    "we maar 2 verschillende klassen hebben.\n",
+    "We gebruiken rmsprop als optimizer omdat we een kleine batch size hebben.\n",
+    "Deze optimizer balanceert de step size zodat deze niet te groot of te klein \n",
+    "worden.\n",
+    "We gebruiken de accuracy als metric omdat we daarop willen trainen.\n",
+    "\"\"\"\n",
+    "\n",
     "model.compile(loss='binary_crossentropy',\n",
     "             optimizer='rmsprop',\n",
     "             metrics=['accuracy'])"
@@ -2803,6 +2863,9 @@
     }
    ],
    "source": [
+    "\n",
+    "#fit het model met de datasets. We gebruiken 70 epochs en 3 stappen per epoch.\n",
+    "\n",
     "model_ft = model.fit(train_dataset,\n",
     "                    steps_per_epoch=3,\n",
     "                    epochs=100,\n",
@@ -3199,6 +3262,7 @@
     }
    ],
    "source": [
+    "# laat het netwerk een prediction doen op alle test fotos.\n",
     "dir_path = '../data/imgs/test/'\n",
     "\n",
     "for i in os.listdir(dir_path):\n",
@@ -3221,28 +3285,13 @@
    ]
   },
   {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "530bae52",
+   "cell_type": "markdown",
+   "id": "069341a9",
    "metadata": {},
-   "outputs": [],
-   "source": []
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "c820052b",
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "3a314192",
-   "metadata": {},
-   "outputs": [],
-   "source": []
+   "source": [
+    "### Conclusie\n",
+    "We hebben het CNN getest en "
+   ]
   }
  ],
  "metadata": {