added Dockerfile and result folder

Dockerfile

@@ -0,0 +1,24 @@
+# Wybór podstawowego obrazu z nowszą wersją CUDA i PyTorch
+FROM pytorch/pytorch:1.12.0-cuda11.3-cudnn8-runtime
+
+# Ustawienie argumentów środowiskowych dla lepszej obsługi bibliotek Python
+ENV LANG=C.UTF-8 LC_ALL=C.UTF-8 PYTHONUNBUFFERED=1
+
+# Aktualizacja systemu i instalacja niezbędnych narzędzi
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    git \
+    curl \
+    ca-certificates \
+    && rm -rf /var/lib/apt/lists/*
+
+# Instalacja dodatkowych pakietów Python potrzebnych dla projektu
+RUN pip install --no-cache-dir torchvision
+
+# Ustawienie katalogu roboczego
+WORKDIR /workspace
+
+# Kopiowanie kodu źródłowego i danych treningowych do obrazu
+COPY . /workspace
+
+# Komenda, która zostanie uruchomiona podczas startu kontenera
+CMD ["python", "train_model.py"]

predict_model.py

@@ -6,7 +6,7 @@ from PIL import Image
 
 # Ustawienia parametrów modelu
 img_width, img_height = 224, 224  # Wymiary obrazu wymagane przez model ResNet
-model_path = 'animal_classifier_resnet.pth'  # Ścieżka do wytrenowanego modelu
+model_path = './result/animal_classifier_resnet.pth'  # Ścieżka do wytrenowanego modelu
 
 # Sprawdzenie, czy jest dostępny GPU i przypisanie urządzenia do zmiennej `device`
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

train_model.py

@@ -9,7 +9,7 @@ img_width, img_height = 224, 224  # Wymiary obrazu wymagane przez model ResNet
 batch_size = 32  # Liczba obrazów przetwarzanych na raz podczas treningu
 epochs = 10  # Liczba epok treningu
 learning_rate = 0.001  # Wskaźnik uczenia się dla optymalizatora
-model_path = 'animal_classifier_resnet.pth'  # Ścieżka do zapisu wytrenowanego modelu
+model_path = './result/animal_classifier_resnet.pth'  # Ścieżka do zapisu wytrenowanego modelu
 
 # Sprawdzenie, czy jest dostępny GPU i przypisanie urządzenia do zmiennej `device`
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")