Lab4-TensorFlow

Лабораторная работа №4: Обучению первой модели на TensorFlow для распознавания рукописных цифр на датасете MNIST

Шаг 1: Загрузка и предобработка данных

• Импортируйте необходимые библиотеки: tensorflow и tensorflow.keras.datasets.mnist
• Загрузите датасет MNIST с помощью функции mnist.loaddata()
• Предобработайте данные: нормализуйте их, преобразуйте в нужный формат (например, масштабирование от 0 до 1)

Шаг 2: Создание нейронной сети

• Используйте модель Sequential из библиотеки tensorflow.keras.models
• Добавьте слои к модели: открытый слой Flatten с inputshape=(28, 28), полносвязанный слой Dense с 128 нейронами и функцией активации ReLU, полносвязанный слой Dense с 10 нейронами и функцией активации softmax

Шаг 3: Компиляция модели

• Компилируйте модель с оптимизатором 'adam', функцией потерь 'sparsecategoricalcrossentropy' и метрикой 'accuracy'

Шаг 4: Обучение модели

• Используйте метод fit для обучения модели на обучающем наборе данных с указанием числа эпох (например, 5 эпох)

Шаг 5: Оценка качества модели

• Используйте метод evaluate для оценки качества модели на тестовом наборе данных
• Выведите точность модели на тестовом наборе данных

Шаг 6: Анализ результатов

• Импортируйте библиотеку matplotlib.pyplot для построения графика
• Постройте график кривой обучения (accuracy) с помощью данных из истории обучения