View difference between Paste ID: 9GxLuugY and yt0L3uEH

-# Сделайте предобработку данных: поделите значения яркости на 255. Для этого передайте специальный аргумент в загрузчик ImageDataGenerator (найдите в документации), в котором будет указано, что делить нужно на 255.
+'''Постройте и обучите нейронную сеть на наборе данных с предметами одежды. Для этого создайте в коде три функции:
-# Создавать и обучать модель не нужно. На экране напечатайте значения пикселей изображения из первого батча обучающей выборки.
+загрузки обучающей выборки load_train(),
 создания модели create_model(),
-from tensorflow.keras.preprocessing.image import ImageDataGenerator
+запуска модели train_model().
 Добейтесь того, чтобы значение accuracy на тестовой выборке было не меньше 85%.
-datagen = ImageDataGenerator(validation_split=0.25, rescale=1/255)
+Отправьте ваш код в файле с расширением .py .
 
-train_datagen_flow = datagen.flow_from_directory(
+Подсказка
-    '/datasets/fruits_small/',
+
-    target_size=(150, 150),
+Приведите значения пикселей к диапазону [0, 1].
-    batch_size=16,
+Попробуйте:
-    class_mode='sparse',
+Построить полносвязную сеть с 2 или 3 слоями;
-    subset='training',
+Применить активацию ReLU.
-    seed=12345)
+'''
 
-val_datagen_flow = datagen.flow_from_directory(
+
-    '/datasets/fruits_small/',
+import numpy as np
-    target_size=(150, 150),
+from tensorflow.keras import layers
-    batch_size=16,
+from tensorflow.keras.layers import Conv2D, Flatten, Dense, AvgPool2D, MaxPooling2D
-    class_mode='sparse',
+from tensorflow.keras.models import Sequential
-    subset='validation',
+from tensorflow.keras.optimizers import Adam
-    seed=12345)
+from tensorflow.keras.datasets import fashion_mnist
 
-features, target = train_datagen_flow.next()
+
-print(features[0])
+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
 '''