from keras.datasets import cifar10

(x_train, y_train), (x_test, y_test) = cifar10.load_data()
print('x_train shape:', x_train.shape)   # (50000, 32, 32, 3)

# كل صورة عبارة عن مصفوفة 32×32×3 (الارتفاع، العرض، قنوات RGB)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255   # تحجيم قيم البكسل إلى [0, 1]
x_test /= 255

num_classes = 10
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

# بدلا من عدد صحيح من 0-9، يصبح كل تصنيف متجه ترميز أحادي (one-hot)
y_train[444]
# array([0., 0., 0., 0., 0., 0., 0., 0., 0., 1.])

keras.layers.Conv2D(filters, kernel_size, strides=(1, 1),
                     padding='valid', activation=None, ...)

keras.layers.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid')

model_1 = Sequential()

# التفاف 5×5، خطوة 2، 32 مرشحا
model_1.add(Conv2D(32, kernel_size=(5, 5), strides=(2, 2),
                    padding='same', input_shape=x_train.shape[1:]))
model_1.add(Activation('relu'))
model_1.add(Conv2D(32, (5, 5), strides=(2, 2), activation="relu"))

model_1.add(MaxPooling2D(pool_size=(2, 2)))   # يقلص إلى 3×3×32
model_1.add(Dropout(0.25))

model_1.add(Flatten())                         # 3×3×32 -> 288×1
model_1.add(Dense(512))
model_1.add(Activation('relu'))
model_1.add(Dropout(0.5))
model_1.add(Dense(num_classes))
model_1.add(Activation('softmax'))

model_1.summary()

conv2d          (None, 16, 16, 32)     2,432
conv2d_1        (None, 6, 6, 32)      25,632
max_pooling2d   (None, 3, 3, 32)           0
flatten         (None, 288)               0
dense           (None, 512)         147,968
dense_1         (None, 10)             5,130
Total params: 181,162 (707.66 KB)

model_1.compile(loss='categorical_crossentropy',
                 optimizer='rmsprop',
                 metrics=['accuracy'])

model_1.fit(x_train, y_train,
            batch_size=32,
            epochs=15,
            validation_data=(x_test, y_test),
            shuffle=True)

from tensorflow.keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
    rotation_range=20,       # دوران عشوائي، بالدرجات
    width_shift_range=0.1,   # إزاحة أفقية عشوائية (نسبة من العرض)
    height_shift_range=0.1,  # إزاحة رأسية عشوائية (نسبة من الارتفاع)
    shear_range=0.1,         # شدة القص (Shear)
    zoom_range=0.1,          # تكبير عشوائي
    fill_mode='nearest'      # طريقة ملء البكسلات الجديدة
)

model_1.fit(
    datagen.flow(x_train, y_train, batch_size=batch_size),
    epochs=15,
    validation_data=(x_test, y_test)
)