View difference between Paste ID: eC30kQvm and dmi8LK6X

-'''Постройте архитектуру LeNet, изучив её описание в формате функции summary():
+# В прекоде создана свёрточная сеть. Допишите код так, чтобы передать ей на обучение и валидацию датасет с фруктами.
-Model: "sequential"
+# Чтобы обучение не было слишком долгим, вызовите функцию fit() с шагом 1.
-_________________________________________________________________
+
-Layer (type)                 Output Shape              Param #
+from tensorflow.keras.preprocessing.image import ImageDataGenerator
-=================================================================
+from tensorflow.keras.models import Sequential
-conv2d (Conv2D)              (None, 28, 28, 6)         156
+from tensorflow.keras.layers import Conv2D, AveragePooling2D, Flatten, Dense
-_________________________________________________________________
+
-average_pooling2d (AveragePo (None, 14, 14, 6)         0
+datagen = ImageDataGenerator(validation_split=0.25)
-_________________________________________________________________
+
-conv2d_1 (Conv2D)            (None, 10, 10, 16)        2416
+train_datagen_flow = datagen.flow_from_directory(
-_________________________________________________________________
+    '/datasets/fruits_small/',
-average_pooling2d_1 (Average (None, 5, 5, 16)          0
+    target_size=(150, 150),
-_________________________________________________________________
+    batch_size=16,
-flatten (Flatten)            (None, 400)               0
+    class_mode='sparse',
-_________________________________________________________________
+    # указываем, что это загрузчик для обучающей выборки
-dense (Dense)                (None, 120)               48120
+    subset='training',
-_________________________________________________________________
+    seed=12345)
-dense_1 (Dense)              (None, 84)                10164
+
-_________________________________________________________________
+val_datagen_flow = datagen.flow_from_directory(
-dense_2 (Dense)              (None, 10)                850
+    '/datasets/fruits_small/',
-=================================================================
+    target_size=(150, 150),
-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.
+    batch_size=16,
-Вызовите функцию summary(). Запустите обучение на одном объекте, чтобы убедиться в работоспособности кода (уже в прекоде).
+    class_mode='sparse',
-'''
+    # указываем, что это загрузчик для валидационной выборки
     subset='validation',
-from tensorflow.keras import Sequential
+    seed=12345)
-from tensorflow.keras.layers import Conv2D, Flatten, Dense, AvgPool2D
+
-import matplotlib.pyplot as plt
+
-import numpy as np
+model.add(Conv2D(filters=6,
                  kernel_size=(3, 3),
                  activation='relu',
-features_train = np.load('/datasets/fashion_mnist/train_features.npy')
+                 input_shape=(150, 150, 3)))
-target_train = np.load('/datasets/fashion_mnist/train_target.npy')
+model.add(AveragePooling2D(pool_size=(2, 2)))
-features_test = np.load('/datasets/fashion_mnist/test_features.npy')
+
-target_test = np.load('/datasets/fashion_mnist/test_target.npy')
+model.add(Dense(units=12, activation='softmax'))
 
 model.compile(loss='sparse_categorical_crossentropy',
-features_train = features_train.reshape(-1, 28, 28, 1) / 255.0
+              optimizer='adam', metrics=['acc'])
-features_test = features_test.reshape(-1, 28, 28, 1) / 255.0
+
 model.fit(train_datagen_flow,
           validation_data=val_datagen_flow,
           # Чтобы обучение не было слишком долгим, указываем
-model.add(Conv2D(filters=6, kernel_size=(5, 5), padding='same', activation='tanh', input_shape=(28, 28, 1)))
+          # количество шагов равным 1
-model.add(AvgPool2D(pool_size=(2, 2)))
+          steps_per_epoch=1,
           validation_steps=1,
-model.add(Conv2D(filters=16, kernel_size=(5, 5), activation='tanh', input_shape=(28, 28, 1)))
+          verbose=2, epochs=1)
-model.add(AvgPool2D(pool_size=(2, 2)))
+