View difference between Paste ID: dmi8LK6X and YreAXbq0

-#В модель из предыдущего урока добавьте MaxPooling размером 2x2 после свёрточных слоёв. Вызовите функцию summary(), чтобы посмотреть на изменение количества параметров сети.
+'''Постройте архитектуру LeNet, изучив её описание в формате функции summary():
-#Убедитесь, что код рабочий. Для этого запустите обучение на одном объекте (уже в прекоде).
+Model: "sequential"
 _________________________________________________________________
 Layer (type)                 Output Shape              Param #
-from tensorflow.keras.layers import Conv2D, Flatten, Dense, MaxPooling2D
+=================================================================
 conv2d (Conv2D)              (None, 28, 28, 6)         156
 _________________________________________________________________
 average_pooling2d (AveragePo (None, 14, 14, 6)         0
 _________________________________________________________________
 conv2d_1 (Conv2D)            (None, 10, 10, 16)        2416
 _________________________________________________________________
 average_pooling2d_1 (Average (None, 5, 5, 16)          0
 _________________________________________________________________
 flatten (Flatten)            (None, 400)               0
 _________________________________________________________________
 dense (Dense)                (None, 120)               48120
 _________________________________________________________________
 dense_1 (Dense)              (None, 84)                10164
-model.add(Conv2D(filters=4, kernel_size=(3, 3), padding='same',
+_________________________________________________________________
-                 activation="relu", input_shape=(28, 28, 1)))
+dense_2 (Dense)              (None, 10)                850
-model.add(Conv2D(filters=4, kernel_size=(3, 3), strides=2, padding='same',
+=================================================================
-                 activation="relu"))
+Функция активации во всех слоях, кроме последнего, — гиперболический тангенс (англ. hyperbolic tangent). Сети с такой активацией обучаются лучше сетей с сигмоидой. Превзойти 'tanh' может только ReLU, но на момент разработки LeNet она ещё не применялась.
 Вызовите функцию summary(). Запустите обучение на одном объекте, чтобы убедиться в работоспособности кода (уже в прекоде).
-model.add(MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid'))
+'''
 
 from tensorflow.keras import Sequential
 from tensorflow.keras.layers import Conv2D, Flatten, Dense, AvgPool2D
 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=6, kernel_size=(5, 5), padding='same', activation='tanh', input_shape=(28, 28, 1)))
 model.add(AvgPool2D(pool_size=(2, 2)))
 
 model.add(Conv2D(filters=16, kernel_size=(5, 5), activation='tanh', input_shape=(28, 28, 1)))
 model.add(AvgPool2D(pool_size=(2, 2)))
 
 model.add(Flatten())
 model.add(Dense(units=120, activation='tanh'))
 model.add(Dense(units=84, activation='tanh'))
 model.add(Dense(units=10, activation='softmax'))
 
 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)