View difference between Paste ID: YreAXbq0 and rMG42VDa

-#Добавьте в сеть ещё один свёрточный слой с 4 фильтрами размером 3x3. Сделайте так, чтобы размер изображения после первого слоя не поменялся, а после второго — уменьшился в два раза.
+#В модель из предыдущего урока добавьте MaxPooling размером 2x2 после свёрточных слоёв. Вызовите функцию summary(), чтобы посмотреть на изменение количества параметров сети.
-#Вызовите функцию summary() для просмотра устройства сети. Затем запустите обучение на одном объекте, чтобы убедиться в работоспособности кода (уже в прекоде).
+#Убедитесь, что код рабочий. Для этого запустите обучение на одном объекте (уже в прекоде).
 
 from tensorflow.keras import Sequential
-from tensorflow.keras.layers import Conv2D, Flatten, Dense
+from tensorflow.keras.layers import Conv2D, Flatten, Dense, MaxPooling2D
 import matplotlib.pyplot as plt
 import numpy as np
 
 
 features_train = np.load('/datasets/fashion_mnist/train_features.npy')
 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')
 
 features_train = features_train.reshape(-1, 28, 28, 1) / 255.0
 features_test = features_test.reshape(-1, 28, 28, 1) / 255.0
 
 model = Sequential()
 model.add(Conv2D(filters=4, kernel_size=(3, 3), padding='same',
-model.add(Conv2D(filters=4, kernel_size=(3, 3), activation='relu', padding='same', input_shape=(28, 28, 1)))
+                 activation="relu", input_shape=(28, 28, 1)))
-model.add(Conv2D(filters=4, kernel_size=(3, 3), activation='relu', padding='same',strides = 2))
+model.add(Conv2D(filters=4, kernel_size=(3, 3), strides=2, padding='same',
                  activation="relu"))
 
 model.add(MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid'))
 
 model.add(Flatten())
-model.fit(features_train, target_train, epochs=1, verbose=1,
+
-          steps_per_epoch=1, batch_size=1)
+
 model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd', metrics=['acc'])
 model.summary()
 model.fit(features_train, target_train, epochs=1, verbose=1, steps_per_epoch=1, batch_size=1)