import tensorflow as tf from tensorflow import keras import numpy as np import matplotlib.pyplot as plt # تحميل بيانات MNIST (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() # معاينة البيانات print(f"شكل بيانات التدريب: {x_train.shape}") print(f"عدد الفئات: {len(np.unique(y_train))}") # تطبيع البيانات (0-1) x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 # بناء النموذج model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dropout(0.2), keras.layers.Dense(10, activation='softmax') ]) # تجميع النموذج model.compile( optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'] ) # عرض هيكل النموذج model.summary()

# بناء شبكة تحويلية لتصنيف الصور cnn_model = keras.Sequential([ # الطبقة التحويلية الأولى keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), keras.layers.MaxPooling2D((2, 2)), # الطبقة التحويلية الثانية keras.layers.Conv2D(64, (3, 3), activation='relu'), keras.layers.MaxPooling2D((2, 2)), # الطبقة التحويلية الثالثة keras.layers.Conv2D(64, (3, 3), activation='relu'), # تحويل إلى طبقات مكتملة الاتصال keras.layers.Flatten(), keras.layers.Dense(64, activation='relu'), keras.layers.Dropout(0.5), keras.layers.Dense(10, activation='softmax') ]) # تجميع النموذج cnn_model.compile( optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'] ) # إعادة تشكيل البيانات للشبكة التحويلية x_train_cnn = x_train.reshape(-1, 28, 28, 1) x_test_cnn = x_test.reshape(-1, 28, 28, 1) # تدريب النموذج history = cnn_model.fit( x_train_cnn, y_train, epochs=10, batch_size=32, validation_split=0.2, verbose=1 )

# تقييم النموذج test_loss, test_accuracy = cnn_model.evaluate(x_test_cnn, y_test, verbose=0) print(f"دقة النموذج على بيانات الاختبار: {test_accuracy:.4f}") # رسم منحنيات التدريب plt.figure(figsize=(12, 4)) # منحنى الدقة plt.subplot(1, 2, 1) plt.plot(history.history['accuracy'], label='دقة التدريب') plt.plot(history.history['val_accuracy'], label='دقة التحقق') plt.title('دقة النموذج') plt.xlabel('العصر (Epoch)') plt.ylabel('الدقة') plt.legend() # منحنى الخسارة plt.subplot(1, 2, 2) plt.plot(history.history['loss'], label='خسارة التدريب') plt.plot(history.history['val_loss'], label='خسارة التحقق') plt.title('خسارة النموذج') plt.xlabel('العصر (Epoch)') plt.ylabel('الخسارة') plt.legend() plt.tight_layout() plt.show() # التنبؤ على عينات جديدة predictions = cnn_model.predict(x_test_cnn[:5]) predicted_classes = np.argmax(predictions, axis=1) actual_classes = y_test[:5] print("التنبؤات الأولى:") for i in range(5): print(f"الصورة {i+1}: متوقع={predicted_classes[i]}, فعلي={actual_classes[i]}")

import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.applications import VGG16 from tensorflow.keras.layers import GlobalAveragePooling2D, Dense from tensorflow.keras.models import Model # إعداد مولدات البيانات مع التحسين train_datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, horizontal_flip=True, zoom_range=0.2, validation_split=0.2 ) # تحميل النموذج المدرب مسبقاً VGG16 base_model = VGG16( weights='imagenet', include_top=False, input_shape=(224, 224, 3) ) # تجميد طبقات النموذج الأساسي base_model.trainable = False # بناء النموذج المخصص model = tf.keras.Sequential([ base_model, GlobalAveragePooling2D(), Dense(128, activation='relu'), tf.keras.layers.Dropout(0.5), Dense(1, activation='sigmoid') # تصنيف ثنائي ]) # تجميع النموذج model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001), loss='binary_crossentropy', metrics=['accuracy', 'precision', 'recall'] ) # عرض هيكل النموذج model.summary() # تدريب النموذج (محاكاة) print("بدء تدريب نموذج تصنيف الأشعة السينية...") print("العصر 1/20 - الخسارة: 0.6234 - الدقة: 0.7123") print("العصر 5/20 - الخسارة: 0.4567 - الدقة: 0.8234") print("العصر 10/20 - الخسارة: 0.3456 - الدقة: 0.8756") print("العصر 15/20 - الخسارة: 0.2789 - الدقة: 0.9012") print("العصر 20/20 - الخسارة: 0.2234 - الدقة: 0.9234") print(" 📊 نتائج التقييم النهائي:") print("الدقة: 92.34%") print("الدقة (Precision): 91.23%") print("الاستدعاء (Recall): 93.45%") print("F1-Score: 92.33%")