def log_likelihood(generated_set, validation_set, test_set):
    """
    Возвращает оценку логарифма правдоподобия модели GAN методом
    Парзеновского окна со стандартным нормальным ядром.
    Подсказка: sigma должна настраиваться по валидационной выборке, а
    правдоподобие считаться по тестовой.
    Подсказка: вместо sigma можно настраивать log_sigma.
    Подсказка: для настойки sigma допустимо использовать как перебор по сетке,
    так и другие методы опимизации.
    Вход: generated_set - сэмплы из генеративной модели.
    Вход: validation_set - валидационная выборка.
    Вход: test_set - тестовая выборка.
    Возвращаемое значение: float (не Tensor!) - оценка логарифма правдоподобия.
    """
    # ваш код здесь
    generated_set = generated_set.view(generated_set.shape[0], digit_size*digit_size)
    print(generated_set.shape, validation_set.shape, test_set.shape)
    D = generated_set.shape[1]
    const = -D*math.log(2 * math.pi)/2
    log_sq_sigma = torch.randn(1, device=device, requires_grad=True)
    nt = LBFGS([log_sq_sigma])

    def compute_log_density(second_set):
        a = (generated_set**2).sum(dim=1)[:, None]
        b = (second_set**2).sum(dim=1)[None, :]
        c = generated_set@second_set.transpose(0, 1)
        quad = -(a + b - 2*c)/(2*log_sq_sigma.exp())
        log_quad = log_mean_exp(quad).mean()
        log_det = -D*log_sq_sigma/2
        return log_det + log_quad

    def closure():
        nt.zero_grad()
        neg_log_density = -compute_log_density(validation_set)
        neg_log_density.backward()
        print('log_sq_sigma: ', log_sq_sigma)
        return neg_log_density

    nt.step(closure)
    log_density = compute_log_density(test_set)
    return const + log_density.detach().item()