{"id":342552,"date":"2022-12-13T21:00:59","date_gmt":"2022-12-13T21:00:59","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=342552"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=342552","title":{"rendered":"\u0420\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0432\u0430\u043d\u0438\u0435 \u0446\u0438\u0444\u0440, \u0434\u043b\u044f \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 (python\/keras)<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n

\u042d\u0442\u043e\u0442 \u043f\u043e\u0441\u0442 \u044f \u0440\u0435\u0448\u0438\u043b \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c, \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0442\u0430\u043a\u0436\u0435 \u0438\u0441\u043a\u0430\u043b \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u0439 \u043a\u043e\u0434 \u0438 \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u043f\u0440\u0438\u043c\u0435\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0432\u0437\u044f\u0442\u044c, \u0432\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0432 \u0433\u0443\u0433\u043b \u043a\u043e\u043b\u0430\u0431(google colab) \u0438 \u0441\u0440\u0430\u0437\u0443 \u043d\u0430\u0447\u0430\u0442\u044c «\u0438\u0433\u0440\u0430\u0442\u044c\u0441\u044f» \u0441 \u043a\u043e\u0434\u043e\u043c. \u041d\u043e \u043d\u0435 \u043d\u0430\u0448\u0435\u043b. \u0414\u043b\u044f \u0432\u0430\u0441, \u0434\u0440\u0443\u0437\u044c\u044f!<\/p>\n

P.S \u0432\u0435\u0441\u044c \u043a\u043e\u0434 \u0431\u0443\u0434\u0435\u0442 \u0432 \u043a\u043e\u043d\u0446\u0435.<\/p>\n

\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0431\u044d\u043a\u044d\u043d\u0434\u00a0\u043a\u0435\u0440\u0430\u0441\u0430,\u00a0\u043f\u043e\u00a0\u043d\u0430\u0447\u0430\u043b\u0443,\u00a0\u043c\u044b\u00a0\u0435\u0433\u043e\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u00a0\u043d\u0435\u00a0\u0431\u0443\u0434\u0435\u043c,\u00a0\u043d\u043e\u00a0\u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0438\u00a0\u043d\u0430\u043c\u00a0\u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f<\/p>\n

import tensorflow as tf<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0441\u0430\u043c\u00a0\u043f\u0430\u043a\u0435\u0442\u00a0\u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e\u00a0\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f\u00a0,\u00a0\u0435\u0433\u043e\u00a0\u0438\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c.<\/p>\n
import keras<\/code><\/pre>\n
\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0438\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u043d\u0430\u043c\u00a0\u0442\u043e\u0436\u0435\u00a0\u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f.<\/p>\n
import numpy as np<\/code><\/pre>\n
\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u00a0\u0434\u043b\u044f\u00a0\u0432\u044b\u0432\u043e\u0434\u0430\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439.<\/p>\n
import matplotlib.pyplot as plt<\/code><\/pre>\n
\u0414\u043b\u044f\u00a0\u0447\u0435\u0433\u043e\u00a0\u044d\u0442\u0430\u00a0\u0441\u0442\u0440\u043e\u0447\u043a\u0430?\u00a0—\u00a0\u043d\u0430\u0433\u0443\u0433\u043b\u0438\u0442\u0435\u00a0\u0441\u0430\u043c\u0438.<\/p>\n
%matplotlib inline<\/code><\/pre>\n
\u0418\u043c\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0441\u043b\u043e\u0438,\u00a0\u0432\u0435\u0440\u043d\u0435\u0435\u00a0\u043a\u043b\u0430\u0441\u0441\u044b\u00a0\u0441\u043b\u043e\u0451\u0432\u00a0\u0434\u043b\u044f\u00a0\u043d\u0430\u0448\u0435\u0439\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438.<\/p>\n
from keras.layers import Dense, Flatten<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u00a0\u043d\u0430\u0448\u0435\u0439\u00a0\u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439\u00a0\u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
from keras.models import Sequential<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0431\u043e\u0440\u00a0\u0434\u0430\u043d\u043d\u044b\u0445\u00a0MNIST\u00a0\u0434\u043b\u044f\u00a0\u043d\u0430\u0448\u0435\u0433\u043e\u00a0\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f.<\/p>\n
from keras.datasets import mnist<\/code><\/pre>\n
\u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c\u00a0\u0434\u0430\u043d\u043d\u044b\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439\u00a0load_data\u00a0\u0438\u0437\u00a0\u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f\u00a0\u043d\u0430\u0448\u0435\u0433\u043e\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u00a0mnist \u0438\u00a0\u0440\u0430\u0437\u0434\u0435\u043b\u044f\u0435\u043c \u043d\u0430\u0448\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u00a0\u043d\u0430\u00a0\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u0443\u044e\u00a0\u0432\u044b\u0431\u043e\u0440\u043a\u0443\u00a0\u0438\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u0443\u044e.<\/p>\n
(X_train, y_train), (X_test, y_test) = mnist.load_data()<\/code><\/pre>\n
\u0414\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0437\u0430\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u00a0\u0443\u00a0\u043d\u0430\u0441\u00a0\u0438\u00a0\u0432\u00a0\u043a\u0430\u043a\u043e\u0439\u00a0\u043e\u043d\u0438\u00a0\u0444\u043e\u0440\u043c\u0435.<\/p>\n
print(X_train.shape)<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0412\u043e\u0442,\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0X_train\u00a0\u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442\u00a0\u0438\u0437\u00a0\u0441\u0435\u0431\u044f\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0434\u0430\u043d\u043d\u044b\u0445\u00a0\u0441\u00a060000\u00a0\u044d\u043a\u0437\u0435\u043c\u043f\u043b\u044f\u0440\u043e\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a,\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u0438\u043c\u0435\u044e\u0442\u00a0\u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u0435\u00a028\u00a0\u043d\u0430\u00a028.<\/p>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0,\u00a0\u0447\u0442\u043e\u00a0\u0442\u0430\u043a\u043e\u0435\u00a0y_train.<\/p>\n
print(y_train.shape)<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0,\u00a0\u0447\u0442\u043e\u00a0\u044d\u0442\u043e\u00a0\u043f\u0440\u043e\u0441\u0442\u043e\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u0437\u00a060000\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\u00a0\u043d\u0435\u00a0\u0438\u00a0\u0431\u043e\u043b\u0435\u0435\u00a0\u0442\u043e\u0433\u043e.<\/p>\n
\u0410\u00a0\u0442\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0436\u0435\u00a0\u0438\u043c\u0435\u043d\u043d\u043e\u00a0\u0445\u0440\u0430\u043d\u0438\u0442\u044c\u0441\u044f\u00a0\u0432\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430\u0445,\u00a0\u0435\u0441\u043b\u0438\u00a0X_train\u00a0—\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439,\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043e\u0442\u043a\u0440\u043e\u0435\u043c \u043e\u0434\u043d\u043e!<\/p>\n
\u0412\u044b\u0432\u043e\u0434\u0438\u043c\u00a012\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435\u00a0\u0438\u0437\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430,\u00a0\u0438\u00a0\u044d\u0442\u043e\u00a0\u0446\u0438\u0444\u0440\u0430\u00a03<\/p>\n
plt.imshow(X_train[12], cmap='binary') plt.axis('off') print(y_train[12])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0412\u043e\u0442\u00a0\u043c\u044b\u00a0\u0438\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0\u0446\u0438\u0444\u0440\u0430\u00a03\u00a0\u0438\u00a0\u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0443\u00a0\u0441\u00a0\u0446\u0438\u0444\u0440\u043e\u0439\u00a03!<\/p>\n
\u041a\u0430\u043a\u00a0\u0432\u044b\u00a0\u0432\u0441\u0435\u00a0\u0437\u043d\u0430\u0435\u0442\u0435,\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0\u043f\u0438\u043a\u0441\u0435\u043b\u044f\u00a0\u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c\u00a0\u043e\u0442\u00a00\u00a0\u0434\u043e\u00a0255, \u0438\u00a0\u0435\u0441\u043b\u0438\u00a0\u043c\u044b\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u043f\u043e\u0434\u0430\u0432\u0430\u0442\u044c\u00a0\u0432\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e\u00a0\u0441\u0435\u0442\u044c\u00a0\u0442\u0430\u043a\u0438\u0435\u00a0\u0434\u0430\u043d\u043d\u044b\u0435. \u041f\u0438\u043a\u0441\u0435\u043b\u044c\u00a0\u0441\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c\u00a00\u00a0\u0438\u00a0\u043f\u0438\u043a\u0441\u0435\u043b\u044c\u00a0\u0441\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c\u00a0255 \u0438\u043c\u0435\u044e\u0442 \u043e\u0447\u0435\u043d\u044c \u0440\u0430\u0437\u043d\u044b\u0435 \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u044b \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439.\u00a0\u041d\u0430\u043c\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0\u0442\u044f\u0436\u0435\u043b\u043e\u00a0\u0431\u0443\u0434\u0435\u0442\u00a0\u0443\u0447\u0438\u0442\u044c\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.<\/p>\n
\u0418\u00a0\u0447\u0442\u043e\u0431\u044b\u00a0\u0438\u0445\u00a0«\u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u0442\u044c»,\u00a0\u0447\u0442\u043e\u0431\u044b\u00a0\u043e\u043d\u0438\u00a0\u0431\u044b\u043b\u0438\u00a0\u043e\u0442\u00a00\u00a0\u0434\u043e\u00a01\u00a0\u0432\u00a0\u0438\u0434\u0435\u0430\u043b\u0435,\u00a0\u043c\u044b\u00a0\u0440\u0430\u0437\u0434\u0435\u043b\u0438\u043c\u00a0\u0432\u0441\u0435\u00a0\u043d\u0430\u0448\u0435\u00a0«\u0434\u043e\u0431\u0440\u043e»\u00a0\u043d\u0430\u00a0255.<\/p>\n
0\u00a0\/\u00a0255\u00a0=\u00a00\u00a0,\u00a0255\u00a0\/\u00a0255\u00a0=\u00a01,\u00a0\u0430\u00a0\u043b\u044e\u0431\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u0432\u00a0\u0434\u0438\u0430\u043f\u0430\u0437\u043e\u043d\u0435\u00a0\u043e\u0442\u00a00\u00a0\u043d\u0435\u00a0\u0434\u043e\u00a0255\u00a0\u0431\u0443\u0434\u0435\u0442\u00a0\u043f\u0440\u043e\u0441\u0442\u043e\u00a0\u0434\u0440\u043e\u0431\u044c\u044e.<\/p>\n
X_train = X_train\/255 X_test = X_test\/255<\/code><\/pre>\n
\u0412\u043e\u0442\u00a0\u0447\u0442\u043e\u00a0\u043c\u044b\u00a0\u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438:<\/p>\n
print(y_train[0])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041a\u00a0\u0441\u043e\u0436\u0430\u043b\u0435\u043d\u0438\u044e, \u043d\u0435\u043b\u044c\u0437\u044f\u00a0\u0434\u0430\u0442\u044c\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0435\u00a0\u0444\u043e\u0442\u043e\u00a0\u0438\u00a0\u0441\u043a\u0430\u0437\u0430\u0442\u044c\u00a0\u0447\u0442\u043e\u00a0\u044d\u0442\u043e\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04, \u043d\u0443\u0436\u043d\u043e\u00a0\u044d\u0442\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0«\u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c», \u044d\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0432\u043e\u0442 \u0442\u0430\u043a:<\/p>\n
y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10)<\/code><\/pre>\n
\u041f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c:<\/p>\n
print(y_train[0])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043d\u0430\u043f\u0438\u0448\u0435\u043c\u00a0\u0441\u0430\u043c\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438.<\/p>\n
\u0418\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0448\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.<\/p>\n
model = Sequential()<\/code><\/pre>\n
\u0414\u0430\u043b\u044c\u0448\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u0435\u043c\u00a0\u043d\u0430\u0448\u00a0\u043f\u0435\u0440\u0432\u044b\u0439\u00a0\u0441\u043b\u043e\u0439,\u00a0\u0432\u00a0\u043d\u0451\u043c\u00a0\u0431\u0443\u0434\u0435\u0442\u00a032\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u0430,\u00a0\u0442\u0430\u043a\u0436\u0435\u00a0\u043d\u0443\u0436\u043d\u043e\u00a0\u0443\u043a\u0430\u0437\u0430\u0442\u044c\u00a0\u0444\u043e\u0440\u043c\u0443\u00a0\u0432\u0445\u043e\u0434\u0438\u043c\u044b\u0445\u00a0\u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n
model.add(Dense(32, activation='relu', input_shape=(X_train[0].shape)))<\/code><\/pre>\n
\u0415\u0449\u0451\u00a0\u0434\u0430\u043b\u044c\u0448\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u0435\u043c\u00a04\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u0430\u00a0\u0441\u00a0\u0442\u0430\u043a\u043e\u0439\u00a0\u0436\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439\u00a0\u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438.<\/p>\n
model.add(Dense(64, activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(512, activation='relu'))<\/code><\/pre>\n
\u041c\u044b\u00a0\u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u043c\u00a0\u0434\u0430\u043d\u043d\u044b\u0435\u00a0\u0432\u00a0\u0432\u0435\u043a\u0442\u043e\u0440.<\/p>\n
model.add(Flatten())<\/code><\/pre>\n
\u0418\u00a0\u0442\u0443\u0442\u00a0\u043c\u044b\u00a0\u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u00a0\u0432\u0435\u043a\u0442\u043e\u0440\u00a0\u0441\u00a0\u0432\u0435\u043a\u0442\u043e\u0440\u043e\u043c,\u00a0\u043f\u043e\u00a0\u0441\u0443\u0442\u0438\u00a0\u044d\u0442\u043e\u00a0\u0442\u0430\u043a.<\/p>\n
model.add(Dense(10, activation='sigmoid'))<\/code><\/pre>\n
\u0422\u0443\u0442\u00a0\u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0448\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c,\u00a0\u043e\u043f\u0442\u0438\u043c\u0430\u0439\u0437\u0435\u0440 —\u00a0\u0430\u0434\u0430\u043c,\u00a0\u043f\u043e\u0442\u043e\u043c\u0443-\u0447\u0442\u043e\u00a0\u043e\u043d\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0«\u043a\u043b\u0430\u0441\u0441\u043d\u044b\u0439»,\u00a0«categorical_crossentropy»\u00a0—\u00a0\u0442.\u043a\u00a0\u043c\u044b\u00a0\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u043c\u00a0\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438\u00a0\u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432.<\/p>\n
model.compile(loss='categorical_crossentropy',                optimizer='adam',                metrics=['accuracy'])<\/code><\/pre>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0442\u0440\u0435\u043d\u0438\u0440\u0443\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n
model.fit(X_train, y_train, epochs=50 )<\/code><\/pre>\n
\u041c\u044b\u00a0\u043e\u0431\u0443\u0447\u0438\u043b\u0438\u00a0\u043d\u0430\u0448\u0443\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e\u00a0\u0441\u0435\u0442\u044c\u00a0\u0438\u00a0\u0442\u0435\u043f\u0435\u0440\u044c,\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043d\u0430\u00a0\u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442.<\/p>\n
\u0411\u0443\u0434\u0435\u043c\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u00a0\u043a\u043e\u043c\u0430\u043d\u0434\u0443\u00a0«model.evaluate»,\u00a0\u0435\u0441\u043b\u0438\u00a0\u043f\u0435\u0440\u0435\u0432\u0435\u0441\u0442\u0438\u00a0\u0434\u043e\u0441\u043b\u043e\u0432\u043d\u043e\u00a0—\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0442\u044c<\/p>\n
\u041f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442\u00a0\u043f\u0440\u043e\u0432\u0435\u0440\u043e\u0447\u043d\u044b\u0439\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u00a0\u0438\u00a0\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043a\u0430\u043a\u0430\u044f\u00a0\u043f\u043e\u0442\u0435\u0440\u044f\u00a0\u0438\u00a0\u043a\u0430\u043a\u0430\u044f\u00a0\u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c:<\/p>\n
<\/figcaption><\/figure>\n
\u041a\u0430\u043a\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c\u00a0—\u00a096%.<\/p>\n
\u0421\u043e\u0437\u0434\u0430\u0434\u0438\u043c\u00a0\u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u0443\u044e\u00a0k\u00a0\u0438\u00a0\u0437\u0430\u043f\u0438\u0448\u0435\u043c\u00a0\u0442\u0443\u0434\u0430\u00a0\u043d\u043e\u043c\u0435\u0440\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u00a0\u0432\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435\u00a0\u0438\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u0435\u0433\u043e\u00a0\u0432\u044b\u0437\u044b\u0432\u0430\u0442\u044c.<\/p>\n
\u0423\u043a\u0430\u0437\u0430\u043b\u0438\u00a0\u0446\u0438\u0444\u0440\u0443\u00a06,\u00a0\u0437\u043d\u0430\u0447\u0438\u0442\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04\u00a0\u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a06.<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0414\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u0443\u043a\u0430\u0436\u0435\u043c\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u00a010,\u00a0\u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438\u00a0\u0446\u0438\u0444\u0440\u0443\u00a00.<\/p>\n
k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u043a\u0430\u043a\u00a0\u0438\u043c\u0435\u043d\u043d\u043e\u00a0\u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u00a0\u043d\u0430\u0448\u0430\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f\u00a0\u0441\u0435\u0442\u044c.<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )<\/code><\/pre>\n
<\/figcaption><\/figure>\n
[0.\u00a00.\u00a00.\u00a00.\u00a01.\u00a00.\u00a00.\u00a00.\u00a00.\u00a00.]\u00a0—\u00a0\u0435\u0434\u0438\u043d\u0438\u0447\u043a\u0430\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a04\u00a0,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e —\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04.\u00a0<\/p>\n
\u0412\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u043e\u00a0\u043d\u0430\u00a0\u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435\u00a0\u043c\u044b\u00a0\u0442\u043e\u0436\u0435\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0\u0446\u0438\u0444\u0440\u0443\u00a04.<\/p>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043e\u0442\u0432\u0435\u0442\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438:<\/p>\n
[[0.0000000e+00,\u00a09.9408084e-18,\u00a02.8947007e-22,\u00a02.9116518e-10,\u00a01.0000000e+00,<\/p>\n
\u00a0\u00a04.6417094e-17,\u00a03.7773155e-38,\u00a05.8520163e-07,,\u00a03.7786970e-24,\u00a04.3130936e-07]]<\/p>\n
*\u00a0—\u00a0\u0431\u0443\u043a\u0432\u0430\u00a0e\u00a0\u044d\u0442\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438,\u00a0\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0447\u0438\u0441\u043b\u043e\u00a0—\u00a04.6417094e-17\u00a0<\/p>\n
\u0447\u0438\u0441\u043b\u043e\u00a04.6417094e-17\u00a0—\u00a0\u044d\u0442\u043e\u00a0\u0443\u0441\u043b\u043e\u0432\u043d\u043e\u00a04.6427\u00a0\u0432\u00a0\u043c\u0438\u043d\u0443\u0441\u00a017\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438, \u00a0\u044d\u0442\u043e\u00a0 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e\u00a00.00000000000000004642\u00a0\u0442\u043e\u00a0\u0435\u0441\u0442\u044c\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0\u043c\u0430\u043b\u0435\u043d\u044c\u043a\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e.<\/p>\n
\u041f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0430 \u0432\u0435\u0441\u044c\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u00a0\u0443\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0435\u0441\u0442\u044c\u00a0\u0447\u0438\u0441\u043b\u043e\u00a00\u00a0\u0432\u00a00-\u043e\u0439\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0,\u00a0 \u0447\u0438\u0441\u043b\u0430\u00a0\u0432\u00a0\u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439  \u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0, \u0438\u00a0\u0442\u043e,\u00a0\u0447\u0442\u043e\u00a0\u043d\u0430\u043c\u00a0\u043d\u0443\u0436\u043d\u043e\u00a01\u00a0\u0432\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a00, \u043b\u044e\u0431\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u0432\u00a0\u043d\u0443\u043b\u0435\u0432\u043e\u0439\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0\u0440\u0430\u0432\u043d\u043e\u00a0\u0435\u0434\u0438\u043d\u0438\u0446\u0435.<\/p>\n
\u041c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439\u00a0\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a04,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e,\u00a0\u0446\u0438\u0444\u0440\u0430-\u00a04.<\/p>\n
\u0418\u0437\u043c\u0435\u043d\u0438\u043c\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u00a0\u0438\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0431\u0443\u0434\u0435\u0442.<\/p>\n
k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0443\u0442\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0438\u0441\u0445\u043e\u0434\u044f\u00a0\u0438\u0437\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u043d\u0435\u0439\u00a0\u0438\u00a0\u0447\u0438\u0441\u0435\u043b,\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0431\u043e\u043b\u044c\u0448\u0435\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a00,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u00a0\u0438\u00a0\u0446\u0438\u0444\u0440\u0430\u00a00.\u00a0<\/p>\n
\u041d\u0430\u0434\u0435\u044e\u0441\u044c, \u0432\u0430\u043c \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u043b\u0441\u044f \u043c\u043e\u0439 \u043f\u043e\u0441\u0442 \u0438 \u043e\u043d \u0431\u0443\u0434\u0435\u0442 \u0432\u0430\u043c \u043f\u043e\u043b\u0435\u0437\u0435\u043d, \u0432\u043e\u0442 \u0432\u0435\u0441\u044c \u043a\u043e\u0434 \u0434\u043b\u044f \u0432\u0441\u0442\u0430\u0432\u043a\u0438 \u0432 \u0433\u0443\u0433\u043b \u043a\u043e\u043b\u0430\u0431:<\/p>\n
import tensorflow as tf  import keras  import numpy as np  import matplotlib.pyplot as plt %matplotlib inline   from keras.layers import Dense, Flatten  from keras.models import Sequential  from keras.datasets import mnist  (X_train, y_train), (X_test, y_test) = mnist.load_data()  print(X_train.shape)  print(y_train.shape)  plt.imshow(X_train[12], cmap='binary') plt.axis('off') print(y_train[12])  X_train = X_train\/255 X_test = X_test\/255  print(y_train[0])  y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10)  print(y_train[0])  model = Sequential()  model.add(Dense(32, activation='relu', input_shape=(X_train[0].shape)))  model.add(Dense(64, activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(512, activation='relu'))  model.add(Flatten())  model.add(Dense(10, activation='sigmoid'))  model.compile(loss='categorical_crossentropy',                optimizer='adam',                metrics=['accuracy'])  model.fit(X_train, y_train, epochs=50 )   k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])  k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
2 \u0431\u043b\u043e\u043a \u043a\u043e\u0434\u0430:<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )   k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )  <\/code><\/pre>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n
  <\/div>\n
  
 \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438  https:\/\/habr.com\/ru\/post\/705306\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
<\/div>\n
\n
\n
\n
\n
\u042d\u0442\u043e\u0442 \u043f\u043e\u0441\u0442 \u044f \u0440\u0435\u0448\u0438\u043b \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c, \u0434\u043b\u044f \u0442\u0435\u0445, \u043a\u0442\u043e \u0442\u0430\u043a\u0436\u0435 \u0438\u0441\u043a\u0430\u043b \u043f\u043e\u043d\u044f\u0442\u043d\u044b\u0439 \u043a\u043e\u0434 \u0438 \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u043f\u0440\u0438\u043c\u0435\u0440, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u0432\u0437\u044f\u0442\u044c, \u0432\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0432 \u0433\u0443\u0433\u043b \u043a\u043e\u043b\u0430\u0431(google colab) \u0438 \u0441\u0440\u0430\u0437\u0443 \u043d\u0430\u0447\u0430\u0442\u044c «\u0438\u0433\u0440\u0430\u0442\u044c\u0441\u044f» \u0441 \u043a\u043e\u0434\u043e\u043c. \u041d\u043e \u043d\u0435 \u043d\u0430\u0448\u0435\u043b. \u0414\u043b\u044f \u0432\u0430\u0441, \u0434\u0440\u0443\u0437\u044c\u044f!<\/p>\n
P.S \u0432\u0435\u0441\u044c \u043a\u043e\u0434 \u0431\u0443\u0434\u0435\u0442 \u0432 \u043a\u043e\u043d\u0446\u0435.<\/p>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0431\u044d\u043a\u044d\u043d\u0434\u00a0\u043a\u0435\u0440\u0430\u0441\u0430,\u00a0\u043f\u043e\u00a0\u043d\u0430\u0447\u0430\u043b\u0443,\u00a0\u043c\u044b\u00a0\u0435\u0433\u043e\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u00a0\u043d\u0435\u00a0\u0431\u0443\u0434\u0435\u043c,\u00a0\u043d\u043e\u00a0\u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0438\u00a0\u043d\u0430\u043c\u00a0\u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f<\/p>\n
import tensorflow as tf<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0441\u0430\u043c\u00a0\u043f\u0430\u043a\u0435\u0442\u00a0\u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e\u00a0\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f\u00a0,\u00a0\u0435\u0433\u043e\u00a0\u0438\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c.<\/p>\n
import keras<\/code><\/pre>\n
\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0438\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u043d\u0430\u043c\u00a0\u0442\u043e\u0436\u0435\u00a0\u043f\u043e\u043d\u0430\u0434\u043e\u0431\u044f\u0442\u0441\u044f.<\/p>\n
import numpy as np<\/code><\/pre>\n
\u0411\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430\u00a0\u0434\u043b\u044f\u00a0\u0432\u044b\u0432\u043e\u0434\u0430\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439.<\/p>\n
import matplotlib.pyplot as plt<\/code><\/pre>\n
\u0414\u043b\u044f\u00a0\u0447\u0435\u0433\u043e\u00a0\u044d\u0442\u0430\u00a0\u0441\u0442\u0440\u043e\u0447\u043a\u0430?\u00a0—\u00a0\u043d\u0430\u0433\u0443\u0433\u043b\u0438\u0442\u0435\u00a0\u0441\u0430\u043c\u0438.<\/p>\n
%matplotlib inline<\/code><\/pre>\n
\u0418\u043c\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u0441\u043b\u043e\u0438,\u00a0\u0432\u0435\u0440\u043d\u0435\u0435\u00a0\u043a\u043b\u0430\u0441\u0441\u044b\u00a0\u0441\u043b\u043e\u0451\u0432\u00a0\u0434\u043b\u044f\u00a0\u043d\u0430\u0448\u0435\u0439\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438.<\/p>\n
from keras.layers import Dense, Flatten<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u00a0\u043d\u0430\u0448\u0435\u0439\u00a0\u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439\u00a0\u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
from keras.models import Sequential<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0431\u043e\u0440\u00a0\u0434\u0430\u043d\u043d\u044b\u0445\u00a0MNIST\u00a0\u0434\u043b\u044f\u00a0\u043d\u0430\u0448\u0435\u0433\u043e\u00a0\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f.<\/p>\n
from keras.datasets import mnist<\/code><\/pre>\n
\u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c\u00a0\u0434\u0430\u043d\u043d\u044b\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439\u00a0load_data\u00a0\u0438\u0437\u00a0\u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f\u00a0\u043d\u0430\u0448\u0435\u0433\u043e\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u00a0mnist \u0438\u00a0\u0440\u0430\u0437\u0434\u0435\u043b\u044f\u0435\u043c \u043d\u0430\u0448\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u00a0\u043d\u0430\u00a0\u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043e\u0447\u043d\u0443\u044e\u00a0\u0432\u044b\u0431\u043e\u0440\u043a\u0443\u00a0\u0438\u00a0\u0442\u0435\u0441\u0442\u043e\u0432\u0443\u044e.<\/p>\n
(X_train, y_train), (X_test, y_test) = mnist.load_data()<\/code><\/pre>\n
\u0414\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0437\u0430\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u00a0\u0443\u00a0\u043d\u0430\u0441\u00a0\u0438\u00a0\u0432\u00a0\u043a\u0430\u043a\u043e\u0439\u00a0\u043e\u043d\u0438\u00a0\u0444\u043e\u0440\u043c\u0435.<\/p>\n
print(X_train.shape)<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0412\u043e\u0442,\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0X_train\u00a0\u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442\u00a0\u0438\u0437\u00a0\u0441\u0435\u0431\u044f\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0434\u0430\u043d\u043d\u044b\u0445\u00a0\u0441\u00a060000\u00a0\u044d\u043a\u0437\u0435\u043c\u043f\u043b\u044f\u0440\u043e\u0432 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a,\u00a0\u043a\u043e\u0442\u043e\u0440\u044b\u0435\u00a0\u0438\u043c\u0435\u044e\u0442\u00a0\u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u0435\u00a028\u00a0\u043d\u0430\u00a028.<\/p>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0,\u00a0\u0447\u0442\u043e\u00a0\u0442\u0430\u043a\u043e\u0435\u00a0y_train.<\/p>\n
print(y_train.shape)<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0,\u00a0\u0447\u0442\u043e\u00a0\u044d\u0442\u043e\u00a0\u043f\u0440\u043e\u0441\u0442\u043e\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u0437\u00a060000\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439\u00a0\u043d\u0435\u00a0\u0438\u00a0\u0431\u043e\u043b\u0435\u0435\u00a0\u0442\u043e\u0433\u043e.<\/p>\n
\u0410\u00a0\u0442\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0436\u0435\u00a0\u0438\u043c\u0435\u043d\u043d\u043e\u00a0\u0445\u0440\u0430\u043d\u0438\u0442\u044c\u0441\u044f\u00a0\u0432\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430\u0445,\u00a0\u0435\u0441\u043b\u0438\u00a0X_train\u00a0—\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439,\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043e\u0442\u043a\u0440\u043e\u0435\u043c \u043e\u0434\u043d\u043e!<\/p>\n
\u0412\u044b\u0432\u043e\u0434\u0438\u043c\u00a012\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435\u00a0\u0438\u0437\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430,\u00a0\u0438\u00a0\u044d\u0442\u043e\u00a0\u0446\u0438\u0444\u0440\u0430\u00a03<\/p>\n
plt.imshow(X_train[12], cmap='binary') plt.axis('off') print(y_train[12])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0412\u043e\u0442\u00a0\u043c\u044b\u00a0\u0438\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0\u0446\u0438\u0444\u0440\u0430\u00a03\u00a0\u0438\u00a0\u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0443\u00a0\u0441\u00a0\u0446\u0438\u0444\u0440\u043e\u0439\u00a03!<\/p>\n
\u041a\u0430\u043a\u00a0\u0432\u044b\u00a0\u0432\u0441\u0435\u00a0\u0437\u043d\u0430\u0435\u0442\u0435,\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0\u043f\u0438\u043a\u0441\u0435\u043b\u044f\u00a0\u043c\u043e\u0436\u0435\u0442\u00a0\u0431\u044b\u0442\u044c\u00a0\u043e\u0442\u00a00\u00a0\u0434\u043e\u00a0255, \u0438\u00a0\u0435\u0441\u043b\u0438\u00a0\u043c\u044b\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u043f\u043e\u0434\u0430\u0432\u0430\u0442\u044c\u00a0\u0432\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e\u00a0\u0441\u0435\u0442\u044c\u00a0\u0442\u0430\u043a\u0438\u0435\u00a0\u0434\u0430\u043d\u043d\u044b\u0435. \u041f\u0438\u043a\u0441\u0435\u043b\u044c\u00a0\u0441\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c\u00a00\u00a0\u0438\u00a0\u043f\u0438\u043a\u0441\u0435\u043b\u044c\u00a0\u0441\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u043c\u00a0255 \u0438\u043c\u0435\u044e\u0442 \u043e\u0447\u0435\u043d\u044c \u0440\u0430\u0437\u043d\u044b\u0435 \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u044b \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0439.\u00a0\u041d\u0430\u043c\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0\u0442\u044f\u0436\u0435\u043b\u043e\u00a0\u0431\u0443\u0434\u0435\u0442\u00a0\u0443\u0447\u0438\u0442\u044c\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.<\/p>\n
\u0418\u00a0\u0447\u0442\u043e\u0431\u044b\u00a0\u0438\u0445\u00a0«\u043d\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u0442\u044c»,\u00a0\u0447\u0442\u043e\u0431\u044b\u00a0\u043e\u043d\u0438\u00a0\u0431\u044b\u043b\u0438\u00a0\u043e\u0442\u00a00\u00a0\u0434\u043e\u00a01\u00a0\u0432\u00a0\u0438\u0434\u0435\u0430\u043b\u0435,\u00a0\u043c\u044b\u00a0\u0440\u0430\u0437\u0434\u0435\u043b\u0438\u043c\u00a0\u0432\u0441\u0435\u00a0\u043d\u0430\u0448\u0435\u00a0«\u0434\u043e\u0431\u0440\u043e»\u00a0\u043d\u0430\u00a0255.<\/p>\n
0\u00a0\/\u00a0255\u00a0=\u00a00\u00a0,\u00a0255\u00a0\/\u00a0255\u00a0=\u00a01,\u00a0\u0430\u00a0\u043b\u044e\u0431\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u0432\u00a0\u0434\u0438\u0430\u043f\u0430\u0437\u043e\u043d\u0435\u00a0\u043e\u0442\u00a00\u00a0\u043d\u0435\u00a0\u0434\u043e\u00a0255\u00a0\u0431\u0443\u0434\u0435\u0442\u00a0\u043f\u0440\u043e\u0441\u0442\u043e\u00a0\u0434\u0440\u043e\u0431\u044c\u044e.<\/p>\n
X_train = X_train\/255 X_test = X_test\/255<\/code><\/pre>\n
\u0412\u043e\u0442\u00a0\u0447\u0442\u043e\u00a0\u043c\u044b\u00a0\u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438:<\/p>\n
print(y_train[0])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041a\u00a0\u0441\u043e\u0436\u0430\u043b\u0435\u043d\u0438\u044e, \u043d\u0435\u043b\u044c\u0437\u044f\u00a0\u0434\u0430\u0442\u044c\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043a\u0435\u00a0\u0444\u043e\u0442\u043e\u00a0\u0438\u00a0\u0441\u043a\u0430\u0437\u0430\u0442\u044c\u00a0\u0447\u0442\u043e\u00a0\u044d\u0442\u043e\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04, \u043d\u0443\u0436\u043d\u043e\u00a0\u044d\u0442\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0«\u0432\u0435\u043a\u0442\u043e\u0440\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c», \u044d\u0442\u043e \u0434\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0432\u043e\u0442 \u0442\u0430\u043a:<\/p>\n
y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10)<\/code><\/pre>\n
\u041f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c:<\/p>\n
print(y_train[0])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043d\u0430\u043f\u0438\u0448\u0435\u043c\u00a0\u0441\u0430\u043c\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438.<\/p>\n
\u0418\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0448\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.<\/p>\n
model = Sequential()<\/code><\/pre>\n
\u0414\u0430\u043b\u044c\u0448\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u0435\u043c\u00a0\u043d\u0430\u0448\u00a0\u043f\u0435\u0440\u0432\u044b\u0439\u00a0\u0441\u043b\u043e\u0439,\u00a0\u0432\u00a0\u043d\u0451\u043c\u00a0\u0431\u0443\u0434\u0435\u0442\u00a032\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u0430,\u00a0\u0442\u0430\u043a\u0436\u0435\u00a0\u043d\u0443\u0436\u043d\u043e\u00a0\u0443\u043a\u0430\u0437\u0430\u0442\u044c\u00a0\u0444\u043e\u0440\u043c\u0443\u00a0\u0432\u0445\u043e\u0434\u0438\u043c\u044b\u0445\u00a0\u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n
model.add(Dense(32, activation='relu', input_shape=(X_train[0].shape)))<\/code><\/pre>\n
\u0415\u0449\u0451\u00a0\u0434\u0430\u043b\u044c\u0448\u0435\u00a0\u0441\u043e\u0437\u0434\u0430\u0435\u043c\u00a04\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u0430\u00a0\u0441\u00a0\u0442\u0430\u043a\u043e\u0439\u00a0\u0436\u0435\u00a0\u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439\u00a0\u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438.<\/p>\n
model.add(Dense(64, activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(512, activation='relu'))<\/code><\/pre>\n
\u041c\u044b\u00a0\u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u043c\u00a0\u0434\u0430\u043d\u043d\u044b\u0435\u00a0\u0432\u00a0\u0432\u0435\u043a\u0442\u043e\u0440.<\/p>\n
model.add(Flatten())<\/code><\/pre>\n
\u0418\u00a0\u0442\u0443\u0442\u00a0\u043c\u044b\u00a0\u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u0435\u043c\u00a0\u0432\u0435\u043a\u0442\u043e\u0440\u00a0\u0441\u00a0\u0432\u0435\u043a\u0442\u043e\u0440\u043e\u043c,\u00a0\u043f\u043e\u00a0\u0441\u0443\u0442\u0438\u00a0\u044d\u0442\u043e\u00a0\u0442\u0430\u043a.<\/p>\n
model.add(Dense(10, activation='sigmoid'))<\/code><\/pre>\n
\u0422\u0443\u0442\u00a0\u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u0443\u0435\u043c\u00a0\u043d\u0430\u0448\u0443\u00a0\u043c\u043e\u0434\u0435\u043b\u044c,\u00a0\u043e\u043f\u0442\u0438\u043c\u0430\u0439\u0437\u0435\u0440 —\u00a0\u0430\u0434\u0430\u043c,\u00a0\u043f\u043e\u0442\u043e\u043c\u0443-\u0447\u0442\u043e\u00a0\u043e\u043d\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0«\u043a\u043b\u0430\u0441\u0441\u043d\u044b\u0439»,\u00a0«categorical_crossentropy»\u00a0—\u00a0\u0442.\u043a\u00a0\u043c\u044b\u00a0\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u043c\u00a0\u043a\u0430\u0442\u0435\u0433\u043e\u0440\u0438\u0438\u00a0\u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432.<\/p>\n
model.compile(loss='categorical_crossentropy',                optimizer='adam',                metrics=['accuracy'])<\/code><\/pre>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0442\u0440\u0435\u043d\u0438\u0440\u0443\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n
model.fit(X_train, y_train, epochs=50 )<\/code><\/pre>\n
\u041c\u044b\u00a0\u043e\u0431\u0443\u0447\u0438\u043b\u0438\u00a0\u043d\u0430\u0448\u0443\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0443\u044e\u00a0\u0441\u0435\u0442\u044c\u00a0\u0438\u00a0\u0442\u0435\u043f\u0435\u0440\u044c,\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043d\u0430\u00a0\u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442.<\/p>\n
\u0411\u0443\u0434\u0435\u043c\u00a0\u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u00a0\u043a\u043e\u043c\u0430\u043d\u0434\u0443\u00a0«model.evaluate»,\u00a0\u0435\u0441\u043b\u0438\u00a0\u043f\u0435\u0440\u0435\u0432\u0435\u0441\u0442\u0438\u00a0\u0434\u043e\u0441\u043b\u043e\u0432\u043d\u043e\u00a0—\u00a0\u043c\u043e\u0434\u0435\u043b\u044c.\u043e\u0446\u0435\u043d\u0438\u0432\u0430\u0442\u044c<\/p>\n
\u041f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442\u00a0\u043f\u0440\u043e\u0432\u0435\u0440\u043e\u0447\u043d\u044b\u0439\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u00a0\u0438\u00a0\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043a\u0430\u043a\u0430\u044f\u00a0\u043f\u043e\u0442\u0435\u0440\u044f\u00a0\u0438\u00a0\u043a\u0430\u043a\u0430\u044f\u00a0\u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c:<\/p>\n
<\/figcaption><\/figure>\n
\u041a\u0430\u043a\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c\u00a0—\u00a096%.<\/p>\n
\u0421\u043e\u0437\u0434\u0430\u0434\u0438\u043c\u00a0\u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u0443\u044e\u00a0k\u00a0\u0438\u00a0\u0437\u0430\u043f\u0438\u0448\u0435\u043c\u00a0\u0442\u0443\u0434\u0430\u00a0\u043d\u043e\u043c\u0435\u0440\u00a0\u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u00a0\u0432\u00a0\u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435\u00a0\u0438\u00a0\u0431\u0443\u0434\u0435\u043c\u00a0\u0435\u0433\u043e\u00a0\u0432\u044b\u0437\u044b\u0432\u0430\u0442\u044c.<\/p>\n
\u0423\u043a\u0430\u0437\u0430\u043b\u0438\u00a0\u0446\u0438\u0444\u0440\u0443\u00a06,\u00a0\u0437\u043d\u0430\u0447\u0438\u0442\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04\u00a0\u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a06.<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0414\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u0443\u043a\u0430\u0436\u0435\u043c\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u00a010,\u00a0\u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438\u00a0\u0446\u0438\u0444\u0440\u0443\u00a00.<\/p>\n
k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u043a\u0430\u043a\u00a0\u0438\u043c\u0435\u043d\u043d\u043e\u00a0\u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442\u00a0\u043d\u0430\u0448\u0430\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u0430\u044f\u00a0\u0441\u0435\u0442\u044c.<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )<\/code><\/pre>\n
<\/figcaption><\/figure>\n
[0.\u00a00.\u00a00.\u00a00.\u00a01.\u00a00.\u00a00.\u00a00.\u00a00.\u00a00.]\u00a0—\u00a0\u0435\u0434\u0438\u043d\u0438\u0447\u043a\u0430\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a04\u00a0,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e —\u00a0\u0446\u0438\u0444\u0440\u0430\u00a04.\u00a0<\/p>\n
\u0412\u0438\u0437\u0443\u0430\u043b\u044c\u043d\u043e\u00a0\u043d\u0430\u00a0\u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435\u00a0\u043c\u044b\u00a0\u0442\u043e\u0436\u0435\u00a0\u0432\u0438\u0434\u0438\u043c\u00a0\u0446\u0438\u0444\u0440\u0443\u00a04.<\/p>\n
\u0422\u0435\u043f\u0435\u0440\u044c\u00a0\u0434\u0430\u0432\u0430\u0439\u0442\u0435\u00a0\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c\u00a0\u043e\u0442\u0432\u0435\u0442\u00a0\u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439\u00a0\u0441\u0435\u0442\u0438:<\/p>\n
[[0.0000000e+00,\u00a09.9408084e-18,\u00a02.8947007e-22,\u00a02.9116518e-10,\u00a01.0000000e+00,<\/p>\n
\u00a0\u00a04.6417094e-17,\u00a03.7773155e-38,\u00a05.8520163e-07,,\u00a03.7786970e-24,\u00a04.3130936e-07]]<\/p>\n
*\u00a0—\u00a0\u0431\u0443\u043a\u0432\u0430\u00a0e\u00a0\u044d\u0442\u043e\u00a0\u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438,\u00a0\u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0447\u0438\u0441\u043b\u043e\u00a0—\u00a04.6417094e-17\u00a0<\/p>\n
\u0447\u0438\u0441\u043b\u043e\u00a04.6417094e-17\u00a0—\u00a0\u044d\u0442\u043e\u00a0\u0443\u0441\u043b\u043e\u0432\u043d\u043e\u00a04.6427\u00a0\u0432\u00a0\u043c\u0438\u043d\u0443\u0441\u00a017\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438, \u00a0\u044d\u0442\u043e\u00a0 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e\u00a00.00000000000000004642\u00a0\u0442\u043e\u00a0\u0435\u0441\u0442\u044c\u00a0\u043e\u0447\u0435\u043d\u044c\u00a0\u043c\u0430\u043b\u0435\u043d\u044c\u043a\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e.<\/p>\n
\u041f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u043d\u0430 \u0432\u0435\u0441\u044c\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u00a0\u0438\u00a0\u0443\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0435\u0441\u0442\u044c\u00a0\u0447\u0438\u0441\u043b\u043e\u00a00\u00a0\u0432\u00a00-\u043e\u0439\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0,\u00a0 \u0447\u0438\u0441\u043b\u0430\u00a0\u0432\u00a0\u043e\u0442\u0440\u0438\u0446\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439  \u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0, \u0438\u00a0\u0442\u043e,\u00a0\u0447\u0442\u043e\u00a0\u043d\u0430\u043c\u00a0\u043d\u0443\u0436\u043d\u043e\u00a01\u00a0\u0432\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a00, \u043b\u044e\u0431\u043e\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u0432\u00a0\u043d\u0443\u043b\u0435\u0432\u043e\u0439\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u0438\u00a0\u0440\u0430\u0432\u043d\u043e\u00a0\u0435\u0434\u0438\u043d\u0438\u0446\u0435.<\/p>\n
\u041c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439\u00a0\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u00a0\u043c\u0430\u0441\u0441\u0438\u0432\u0430\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a04,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e,\u00a0\u0446\u0438\u0444\u0440\u0430-\u00a04.<\/p>\n
\u0418\u0437\u043c\u0435\u043d\u0438\u043c\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u00a0\u0438\u00a0\u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0431\u0443\u0434\u0435\u0442.<\/p>\n
k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0443\u0442\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0438\u0441\u0445\u043e\u0434\u044f\u00a0\u0438\u0437\u00a0\u0441\u0442\u0435\u043f\u0435\u043d\u043d\u0435\u0439\u00a0\u0438\u00a0\u0447\u0438\u0441\u0435\u043b,\u00a0\u043c\u044b\u00a0\u0432\u0438\u0434\u0438\u043c,\u00a0\u0447\u0442\u043e\u00a0\u0431\u043e\u043b\u044c\u0448\u0435\u0435\u00a0\u0447\u0438\u0441\u043b\u043e\u00a0\u043f\u043e\u0434\u00a0\u0438\u043d\u0434\u0435\u043a\u0441\u043e\u043c\u00a00,\u00a0\u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u00a0\u0438\u00a0\u0446\u0438\u0444\u0440\u0430\u00a00.\u00a0<\/p>\n
\u041d\u0430\u0434\u0435\u044e\u0441\u044c, \u0432\u0430\u043c \u043f\u043e\u043d\u0440\u0430\u0432\u0438\u043b\u0441\u044f \u043c\u043e\u0439 \u043f\u043e\u0441\u0442 \u0438 \u043e\u043d \u0431\u0443\u0434\u0435\u0442 \u0432\u0430\u043c \u043f\u043e\u043b\u0435\u0437\u0435\u043d, \u0432\u043e\u0442 \u0432\u0435\u0441\u044c \u043a\u043e\u0434 \u0434\u043b\u044f \u0432\u0441\u0442\u0430\u0432\u043a\u0438 \u0432 \u0433\u0443\u0433\u043b \u043a\u043e\u043b\u0430\u0431:<\/p>\n
import tensorflow as tf  import keras  import numpy as np  import matplotlib.pyplot as plt %matplotlib inline   from keras.layers import Dense, Flatten  from keras.models import Sequential  from keras.datasets import mnist  (X_train, y_train), (X_test, y_test) = mnist.load_data()  print(X_train.shape)  print(y_train.shape)  plt.imshow(X_train[12], cmap='binary') plt.axis('off') print(y_train[12])  X_train = X_train\/255 X_test = X_test\/255  print(y_train[0])  y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10)  print(y_train[0])  model = Sequential()  model.add(Dense(32, activation='relu', input_shape=(X_train[0].shape)))  model.add(Dense(64, activation='relu')) model.add(Dense(128, activation='relu')) model.add(Dense(256, activation='relu')) model.add(Dense(512, activation='relu'))  model.add(Flatten())  model.add(Dense(10, activation='sigmoid'))  model.compile(loss='categorical_crossentropy',                optimizer='adam',                metrics=['accuracy'])  model.fit(X_train, y_train, epochs=50 )   k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])  k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k])<\/code><\/pre>\n
2 \u0431\u043b\u043e\u043a \u043a\u043e\u0434\u0430:<\/p>\n
k = 6 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )   k = 10 plt.imshow(X_test[k], cmap='binary') plt.axis('off') print(y_test[k]) print(     model.predict(np.array([X_test[k]])) )  <\/code><\/pre>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n
  <\/div>\n
  
 \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438  https:\/\/habr.com\/ru\/post\/705306\/<\/a>
<\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-342552","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/342552","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=342552"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/342552\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=342552"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=342552"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=342552"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}