[6.1]

exercises/Jupyter notebook CVML.ipynb

@@ -2274,7 +2274,9 @@
    "cell_type": "code",
    "execution_count": 89,
    "id": "e7880a56",
-   "metadata": {},
+   "metadata": {
+    "scrolled": true
+   },
    "outputs": [
     {
      "data": {
@@ -2312,6 +2314,73 @@
     "# Week 6"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "0b3f858b",
+   "metadata": {},
+   "source": [
+    "## Opdracht 6.1: ZTDL 6: Convolutional Neural Networks – MNIST"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "3eda82ac",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "#maak een sequentieel model aan\n",
+    "model = Sequential() \n",
+    "\n",
+    "\"\"\"\n",
+    "Voeg een 2D convolution layer toe met 32 output filters, een kernel van 3x3\n",
+    "en een input shape van 28x28 grootte en 1 layer.\n",
+    "\"\"\"\n",
+    "model.add(Conv2D(32,(3,3),input_shape={28,28,1}))\n",
+    "\n",
+    "\"\"\"\n",
+    "Voeg een maxpool2d laag toe met een size van 2x2. Deze laag pakt het grootste\n",
+    "element uit een 2x2 vierkant in elke laag.\n",
+    "\"\"\"\n",
+    "model.add(MaxPool2D(pool_size=(2,2)))\n",
+    "\n",
+    "\"\"\"\n",
+    "Voeg een activation laag toe die de relu functie gebruikt. Deze functie maakt\n",
+    "van negatieve getallen een 0. Deze functie wordt uitgevoerd op de som van alle\n",
+    "waarden op de laagseizoen  onder de kernel.\n",
+    "\"\"\"\n",
+    "model.add(Activation('relu'))\n",
+    "\n",
+    "\"\"\"\n",
+    "door een flatten laag toe te voegen worden alle lagen achter elkaar gezet\n",
+    "zodat deze makkelijker als input gebruikt kunnen worden voor de volgende lagen.\n",
+    "bron:\n",
+    "https://www.superdatascience.com/blogs/convolutional-neural-networks-cnn-step-3-flattening\n",
+    "\"\"\"\n",
+    "model.add(Flatten())\n",
+    "\n",
+    "\n",
+    "# voeg nog een relu activatie laag toe met 128.\n",
+    "model.add(Dense(128,activation='relu'))\n",
+    "\n",
+    "\"\"\"\n",
+    "Voeg een activatielaag toe die de softmax functie gebruikt zodat we een\n",
+    "percentage van categoriën krijgen als resultaat. Deze laag heeft 10 outputs\n",
+    "\"\"\"\n",
+    "model.add(Dense(10,activation='softmax'))\n",
+    "\n",
+    "\"\"\"\n",
+    "compileer het model met de categorical crossentropy loss function,\n",
+    "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",
+    "\"\"\"\n",
+    "model.compile(loss='categorical_crossentropy',\n",
+    "             optimizer='rmsprop',\n",
+    "             metrics=['accuracy'])"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "ea5be5e2",