Компьютерное зрение: практика обучения нейронных сетей, Полносвязные сети

'''Постройте и обучите нейронную сеть на наборе данных с предметами одежды. Для этого создайте в коде три функции:
загрузки обучающей выборки load_train(),
создания модели create_model(),
запуска модели train_model().
Добейтесь того, чтобы значение accuracy на тестовой выборке было не меньше 85%.
Отправьте ваш код в файле с расширением .py .

Подсказка

Приведите значения пикселей к диапазону [0, 1].
Попробуйте:
Построить полносвязную сеть с 2 или 3 слоями;
Применить активацию ReLU.
'''


import numpy as np
from tensorflow.keras import layers
from tensorflow.keras.layers import Conv2D, Flatten, Dense, AvgPool2D, MaxPooling2D
from tensorflow.keras.models import Sequential
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.datasets import fashion_mnist


def load_train(path):
    features_train = np.load(path + 'train_features.npy')
    target_train = np.load(path + 'train_target.npy')
    features_train = features_train.reshape(features_train.shape[0], 28 * 28) / 255.
    return features_train, target_train


def create_model(input_shape):
    model = Sequential()

    model.add(Dense(units=500, input_shape=input_shape, activation="relu"))
    model.add(Dense(units=300, activation="relu"))
    model.add(Dense(units=10, activation='softmax'))
    return model


def train_model(model, train_data, test_data, batch_size=48, epochs=50,
               steps_per_epoch=None, validation_steps=None):
    optimizer = Adam(lr=0.01)
    model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy',
              metrics=['acc'])
    features_train, target_train = train_data
    features_test, target_test = test_data
    model.fit(features_train, target_train,
              validation_data=(features_test, target_test),
              batch_size=batch_size, epochs=epochs,
              steps_per_epoch=steps_per_epoch,
              validation_steps=validation_steps,
              verbose=2, shuffle=True)

    return model


'''Epoch 50/50
60000/60000 - 4s - loss: 0.3248 - acc: 0.8857 - val_loss: 0.4960 - val_acc: 0.8511
10000/10000 - 1s - loss: 0.4960 - acc: 0.8511
'''