https://arxiv.org/pdf/1701.05517.pdf
Auch mal als Klassifikation machen

vergleichsArchitektur zu U-Net ausprobieren.

Ein Bild auf welchem die Position von Konstanz möglichst genau identifizierbar ist.

Kapitel

• Paper und Gesamtdokumentation

• Abstract (Merle)

• Datenbeschaffung (Etienne, Tim)

• Daten-Aufbereitung (Tim)

• Datenanalyse (Merle)

• Netzwerke (Thomas, Etienne, Tim)
  -- Netzwerktyp
  -- Lossfunktion
  -- Sensitivitätsanalyse

• Fazit

• Ausblick

1. binarys kopieren
2. Bilder kopieren

Bilder wirken noch nur ein Grau / ein Schwarz ton. keine Regenmengen sichtbar.

Skript schreiben, um Netze zu erstellen und abzuspeichern

in Graustufen 5-min Auflösung alle einheitlich benannt.

scipy.misc.imsave("tmpFilename.jpg", data)
speichert die Daten "falsch" nach Laden nurnoch Schwarz/Weiß keine Graustufen erkennbar.

See Github/Networktypes/run_Net123.py

woher bekommen wir hilfreiche Daten zur Wettervorhersage

• Regenmengen allgemein betrachten und validieren (z.B. mit Statista)
  • Visualisieren
• Radarbilder mit Regenmengen Vergleichen
  • Regenmenge Extrahieren (Farbwerte auslesen und in Regenmenge trasformieren)
    • Nach Datum ordnen und mit Regenmengen txt vergleichen
  • Visualisieren

Verständniss anz. input Bilder verändern, anz output Bilder verändern.
Wie starte ichd as Training, Was für möglichkeiten um Fehler zu berechnen gibt es.

wir brauchen mehr Speicher

1. Bilder in numpy arrays umwandeln (3D) => (x,y,t)
2. Möglichkeit Batches zu generieren
3. Möglichkeit Test/Trainingsdaten zu erstellen/unterteilen
4. Durchiterieren möglich machen

Ziel hierbei soll es sein, ein kleines Netz auf den MNIST-Datensatz mit "Keras" zu trainieren.

1. Wo ist Konstanz auf den Bildern
2. welche Farbe bedeutet welche Regenemenge (Skalierung)
3. vgl. zb mit statista o.ä

1. Bildbereich einstellbar machen
2. Skalierung einheitlicher Wertebereich über alle Bilder
3. Speichern unter einheitlichen Namen

• Bilder liegen unter /data/RadarbilderDWD/TEST/

• Bugfix time 2355 to 0000 should be 5 min!
• add input/output shape to .info()
• Bugfix minimal max value should only be increased

bsp. Ball o.ä. n Bilder input, m Bilder outpu

Wer Zeit hat, bitte ein bisschen was Schreiben, gerne ins Wiki auf Seite: Doku
https://github.com/thgnaedi/DeepRain/wiki/Doku

Aktuell hat die VM wenig Festplattenspeicher.
Wie viel Speicher wird benötigt für Wetterdaten von einem Tag ?
daraus kann grobe prognose erstellt werden, wie viel Speicher mindestens benötigt wird. Anschließend kann Speicherplatz zur verfügung gestellt werden.

http://localhost:8989/notebooks/NetworkTypes/Simple_Crossentropy_Test.ipynb

import sys
sys.path.append("../Data")
#sys.path.append("../NetworkTypes")
import tfModels as tfM
import sample_bundle as sampleBundle
import tfLosses
import numpy as np
from extendet_CNN_test import train_realdata

input_shape = (64, 64, 5)
model = tfM.UNet64(input_shape, lossfunction='categorical_crossentropy', simpleclassification=3)

import sample_bundle
sb = sample_bundle.load_Sample_Bundle("../Data/RegenTage2016")
data, label = sb.get_all_data_label(channels_Last=True, flatten_output=True)

newLabel = []
for obj in label:
    lblValue = obj[34]
    
    
    if lblValue == 0:
        newLabel.append(np.array([1, 0, 0]))
    elif lblValue <= 10:
        newLabel.append(np.array([0, 1, 0]))
    else:
        newLabel.append(np.array([0, 0, 1]))
n_testsamples = 50
x_train, y_train = data[n_testsamples:], newLabel[n_testsamples:]
x_test, y_test = data[:n_testsamples], newLabel[:n_testsamples]

train_realdata(model=model,
               samplebundle=None,
               n_epoch=80,
               savename="Simple_Categorization_0-20_20-40_above",
               channelsLast=True,
               use_logfile=True,
               load_last_state=True,
               data=data,
               label=np.array(newLabel),
               _eval_output=False)

AttributeError: 'Dense' object has no attribute 'op'

Date_Comperator() muss auch 17:55 && 18:00 als nachbarn anerkennen!

Tensorflow Container mit GPU unterstützung auf VM bringen

https://tensorchiefs.github.io/dl_course_2018/docker.html

Soll die "Project-Board" Funktion von Github verwendet werden, oder wird etwas anderes bevorzugt?

• ROC
• Perspektivenwechsel (Wird man nass, statt genaue Regenmenge)