Pretrained model

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+weights/weights.data-00000-of-00001 filter=lfs diff=lfs merge=lfs -text

app.py

@@ -1,32 +1,28 @@
-import numpy as np
-import gradio as gr
-from PIL import Image
-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=(512, 512)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
-  keras.layers.Dense(10, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
-  keras.layers.Dense(10, 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='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
-model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 
-
-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)"))
-
-gr.Interface(fn=classify,               
-             inputs=input_sketchpad,   
-             outputs="label",
-             allow_flagging=False, 
+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(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
+  keras.layers.Dense(512, 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='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
+
+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)"))
+
+gr.Interface(fn=classify,               
+             inputs=input_sketchpad,   
+             outputs="label",
+             allow_flagging=False, 
              theme=gr.themes.Soft()).launch()

requirements.txt

@@ -1,4 +1,4 @@
-PIL
-numpy
-gradio
+PIL
+numpy
+gradio
 tensorflow

training.py

@@ -0,0 +1,18 @@
+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(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
+  keras.layers.Dense(512, 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='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
+model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 
+
+model.save_weights('./weights/weights')

weights/checkpoint

@@ -0,0 +1,2 @@
+model_checkpoint_path: "weights"
+all_model_checkpoint_paths: "weights"

weights/weights.data-00000-of-00001

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c830f3592c537868e20d93013f72906daa1c770ede682ab1ba938e12f18dcd33
+size 8039013