Updated model

app.py

@@ -1,3 +1,35 @@
+<<<<<<< HEAD
+import numpy as np
+import gradio as gr
+from PIL import Image
+from tensorflow import keras
+
+model = keras.models.Sequential([
+  keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
+  keras.layers.Dense(64, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
+  keras.layers.Dense(64, activation='relu'),     
+  keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
+])
+
+model.compile(optimizer=keras.optimizers.Adam(0.001),
+              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
+              metrics=[keras.metrics.SparseCategoricalAccuracy()])
+
+model.load_weights('./weights/weights')
+
+def classify(input):
+    image = np.expand_dims(np.array(Image.fromarray(input['layers'][0]).resize((28,28),resample=Image.Resampling.BILINEAR), dtype=int), axis=0)#[:,:,0]
+    prediction = model.predict(image).tolist()[0]
+    return {str(i): float(prediction[i]) for i in range(10)}
+
+input_sketchpad = gr.Paint(image_mode="L", brush=gr.components.image_editor.Brush(default_color="rgb(156, 104, 200)"))
+output_lable = gr.Label()
+
+gr.Interface(fn=classify,               
+             inputs=input_sketchpad,   
+             outputs=output_lable,
+             allow_flagging=False, 
+=======
 import numpy as np
 import gradio as gr
 from PIL import Image
@@ -25,4 +57,5 @@ gr.Interface(fn=classify,
              inputs=input_sketchpad,   
              outputs="label",
              allow_flagging=False, 
+>>>>>>> 1f82054bee2ed11c23599ab720a05335eb2d9499
              theme=gr.themes.Soft()).launch()

requirements.txt

@@ -1,4 +1,10 @@
+<<<<<<< HEAD
 numpy
 gradio
 Pillow
+=======
+numpy
+gradio
+Pillow
+>>>>>>> 1f82054bee2ed11c23599ab720a05335eb2d9499
 tensorflow

training.py

@@ -1,3 +1,25 @@
+<<<<<<< HEAD
+from tensorflow import keras
+
+(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
+
+x_train = x_train / 255.0
+x_test = x_test / 255.0
+
+model = keras.models.Sequential([
+  keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
+  keras.layers.Dense(64, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 64 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)   
+  keras.layers.Dense(64, activation='relu'),   
+  keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
+])
+
+model.compile(optimizer=keras.optimizers.Adam(0.001),
+              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
+              metrics=[keras.metrics.SparseCategoricalAccuracy()])
+
+model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=3) 
+
+=======
 from tensorflow import keras
 
 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
@@ -15,4 +37,5 @@ model = keras.models.Sequential([
 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
 model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 
 
+>>>>>>> 1f82054bee2ed11c23599ab720a05335eb2d9499
 model.save_weights('./weights/weights')

weights/weights.data-00000-of-00001

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:c830f3592c537868e20d93013f72906daa1c770ede682ab1ba938e12f18dcd33
-size 8039013
+oid sha256:161614b663d2da91c99b9bfc1fa99d8d61bebe0ab296bf6e298e6a8cb78d36c0
+size 663141