View difference between Paste ID: FaW6GsfJ and R4DfUkuw

-'''Постройте и обучите нейронную сеть. Начните с простого — создайте модель логистической регрессии с десятью классами в Keras.
+#В конце прошлой темы вы обучили полносвязную сеть для решения задачи классификации одежды. Замените эту сеть на свёрточную со слоями: Conv2D + relu + Flatten + Dense. Примените в свёрточном слое 4 фильтра размером 3x3.
-Вам понадобится:
+#Обучать свёрточную сеть не нужно. Вызовите у модели функцию summary(): она напечатает на экране информацию об устройстве сети.
-Функция активации 'softmax';
+
-Функция потерь 'sparse_categorical_crossentropy' (англ. «разрежённая категориальная кросс-энтропия»).
+from tensorflow.keras import Sequential
-Слово sparse говорит о способе кодирования ответов. В задаче требуется просто номер класса, поэтому выбор пал на эту функцию потерь.
+from tensorflow.keras.layers import Conv2D, Flatten, Dense
-Когда ответы кодируются One-Hot-Encoding и классу 9 соответствует целый вектор [0, 0, 0, 0, 0, 0, 0, 0, 1], применяют categorical_crossentropy().
+
-Обучите сеть на одной эпохе. Напечатайте прогресс обучения и значения точности на обучающей и тестовой выборках.
+
-'''
+
 
-from tensorflow import keras
+
 target_train = np.load('/datasets/fashion_mnist/train_target.npy')
 features_test = np.load('/datasets/fashion_mnist/test_features.npy')
 target_test = np.load('/datasets/fashion_mnist/test_target.npy')
 
 # Меняем размерности изображений и приводим числа к диапазону [0, 1].
 # При изменении размера одну из размерностей можно указать равной -1,
 # чтобы она вычислялась автоматически
 features_train = features_train.reshape(-1, 28, 28, 1) / 255.0
 features_test = features_test.reshape(-1, 28, 28, 1) / 255.0
-features_train = features_train.reshape(features_train.shape[0], 28 * 28)
+
-features_test = features_test.reshape(features_test.shape[0], 28 * 28)
+model = Sequential()
 
-model = keras.models.Sequential()
+model.add(Conv2D(filters=4, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
-model.add(keras.layers.Dense(10, activation='softmax', input_dim=features_train.shape[1]))
+model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd', metrics=['acc'])
 
-model.compile(loss='sparse_categorical_crossentropy',
+model.add(Flatten())
-              optimizer='sgd',
+model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd', metrics=['acc'])
-              metrics=['acc'])
+
 model.add(Dense(10, activation='softmax',input_dim=features_train.shape[1]))
-model.fit(features_train, target_train, epochs=1, verbose=2,
+model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd', metrics=['acc'])
-          validation_data=(features_test, target_test))
+
 model.summary()