diff --git a/labworks/LW1/report.md b/labworks/LW1/report.md
new file mode 100644
index 0000000..3e1e892
--- /dev/null
+++ b/labworks/LW1/report.md
@@ -0,0 +1,576 @@
+# Отчет по лабораторной работе №1
+Аникеев Андрей, Чагин сергей, А-02-22
+
+## 1. В среде Google Colab создание нового блокнота.
+```
+import os
+os.chdir('/content/drive/MyDrive/Colab Notebooks')
+```
+
+* 1.1 Импорт необходимых модулей.
+```
+from tensorflow import keras
+import matplotlib.pyplot as plt
+import numpy as np
+import sklearn
+```
+
+## 2. Загрузка датасета.
+```
+from keras.datasets import mnist
+(X_train, y_train), (X_test, y_test) = mnist.load_data()
+```
+
+## 3. Разбиение набора данных на обучающий и тестовый.
+```
+from sklearn.model_selection import train_test_split
+```
+* 3.1 Объединение в один набор.
+```
+X = np.concatenate((X_train, X_test))
+y = np.concatenate((y_train, y_test))
+```
+* 3.2 Разбиение по вариантам. (5 бригада -> k=4*5-1)
+```
+X_train, X_test, y_train, y_test = train_test_split(X, y,test_size = 10000,train_size = 60000, random_state = 19)
+```
+
+* 3.3 Вывод размерностей.
+```
+print('Shape of X train:', X_train.shape)
+print('Shape of y train:', y_train.shape)
+```
+
+> Shape of X train: (60000, 28, 28)
+> Shape of y train: (60000,) 
+
+## 4. Вывод обучающих данных.
+* 4.1 Выведем первые четыре элемента обучающих данных.
+```
+plt.figure(figsize=(10, 3))
+for i in range(4):
+    plt.subplot(1, 4, i + 1)
+    plt.imshow(X_train[i], cmap='gray')
+    plt.title(f'Label: {y_train[i]}')
+    plt.axis('off')
+plt.tight_layout()
+plt.show()
+```
+
+![отображение элементов](1.png)
+
+## 5. Предобработка данных.
+* 5.1 Развернем каждое изображение в вектор.
+```
+num_pixels = X_train.shape[1] * X_train.shape[2]
+X_train = X_train.reshape(X_train.shape[0], num_pixels) / 255
+X_test = X_test.reshape(X_test.shape[0], num_pixels) / 255
+print('Shape of transformed X train:', X_train.shape)
+```
+
+> Shape of transformed X train: (60000, 784) 
+
+* 5.2 Переведем метки в one-hot.
+```
+from keras.utils import to_categorical
+
+y_train = to_categorical(y_train)
+y_test = to_categorical(y_test)
+
+print('Shape of transformed y train:', y_train.shape)
+num_classes = y_train.shape[1]
+```
+
+> Shape of transformed y train: (60000, 10) 
+
+## 6. Реализация и обучение однослойной нейронной сети.
+```
+from keras.models import Sequential
+from keras.layers import Dense
+```
+
+* 6.1. Создаем модель - объявляем ее объектом класса Sequential, добавляем выходной слой.
+```
+model = Sequential()
+model.add(Dense(units=num_classes, activation='softmax'))
+```
+* 6.2. Компилируем модель.
+```
+model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model.summary())
+```
+
+>Model: "sequential_6"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_18 (Dense)                │ ?                      │   0 (unbuilt) │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 0 (0.00 B)
+>Trainable params: 0 (0.00 B)
+>Non-trainable params: 0 (0.00 B)
+
+* 6.3 Обучаем модель.
+```
+H = model.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 6.4 Выводим график функции ошибки
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](2.png)
+
+## 7. Применение модели к тестовым данным.
+```
+scores = model.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9213 - loss: 0.2825
+>Loss on test data: 0.28365787863731384
+>Accuracy on test data: 0.9225000143051147 
+
+## 8. Добавление одного скрытого слоя.
+* 8.1 При 100 нейронах в скрытом слое.
+```
+model100 = Sequential()
+model100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model100.add(Dense(units=num_classes, activation='softmax'))
+
+model100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']
+
+print(model100.summary())
+```
+
+>Model: "sequential_10"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_19 (Dense)                │ (None, 100)            │        78,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_20 (Dense)                │ (None, 10)             │         1,010 │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 79,510 (310.59 KB)
+>Trainable params: 79,510 (310.59 KB)
+>Non-trainable params: 0 (0.00 B)
+
+* 8.2 Обучение модели.
+```
+H = model100.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 8.3 График функции ошибки.
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](3.png)
+
+```
+scores = model100.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9465 - loss: 0.1946
+>Loss on test data: 0.19745595753192902
+>Accuracy on test data: 0.9442999958992004
+
+* 8.4 При 300 нейронах в скрытом слое.
+```
+model300 = Sequential()
+model300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
+model300.add(Dense(units=num_classes, activation='softmax'))
+
+model300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print(model300.summary())
+```
+
+>Model: "sequential_14"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_27 (Dense)                │ (None, 300)            │       235,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_28 (Dense)                │ (None, 10)             │         3,010 │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 238,510 (931.68 KB)
+>Trainable params: 238,510 (931.68 KB)
+>Non-trainable params: 0 (0.00 B)
+
+* 8.5 Обучение модели.
+```
+H = model300.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 8.6 Вывод графиков функции ошибки.
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](4.png)
+
+```
+scores = model300.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9361 - loss: 0.2237
+>Loss on test data: 0.22660093009471893
+>Accuracy on test data: 0.9348000288009644
+
+* 8.7 При 500 нейронах в скрытом слое.
+```
+model500 = Sequential()
+model500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
+model500.add(Dense(units=num_classes, activation='softmax'))
+
+model500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print(model500.summary())
+```
+
+>Model: "sequential_16"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_31 (Dense)                │ (None, 500)            │       392,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_32 (Dense)                │ (None, 10)             │         5,010 │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 397,510 (1.52 MB)
+>Trainable params: 397,510 (1.52 MB)
+>Non-trainable params: 0 (0.00 B)
+
+* 8.8 Обучение модели.
+```
+H = model500.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 8.9 Вывод графиков функции ошибки.
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](5.png)
+
+```
+scores = model500.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9306 - loss: 0.2398
+>Loss on test data: 0.24357788264751434
+>Accuracy on test data: 0.9304999709129333
+
+Как мы видим, лучшая метрика получилась при архитектуре со 100 нейронами в скрытом слое:
+Ошибка на тестовых данных: 0.19745595753192902
+Точность тестовых данных: 0.9442999958992004
+
+## 9. Добавление второго скрытого слоя.
+* 9.1 При 50 нейронах во втором скрытом слое.
+```
+model10050 = Sequential()
+model10050.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model10050.add(Dense(units=50,activation='sigmoid'))
+model10050.add(Dense(units=num_classes, activation='softmax'))
+
+model10050.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print(model10050.summary())
+```
+
+>Model: "sequential_17"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_33 (Dense)                │ (None, 100)            │        78,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_34 (Dense)                │ (None, 50)             │         5,050 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_35 (Dense)                │ (None, 10)             │           510 │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 84,060 (328.36 KB)
+>Trainable params: 84,060 (328.36 KB)
+>Non-trainable params: 0 (0.00 B) 
+
+* 9.2 Обучаем модель.
+```
+H = model10050.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 9.3 Выводим график функции ошибки.
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](6.png)
+
+```
+scores = model10050.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9439 - loss: 0.1962
+>Loss on test data: 0.1993969976902008
+>Accuracy on test data: 0.9438999891281128
+
+* 9.4 При 100 нейронах во втором скрытом слое.
+```
+model100100 = Sequential()
+model100100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model100100.add(Dense(units=100,activation='sigmoid'))
+model100100.add(Dense(units=num_classes, activation='softmax'))
+
+model100100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+
+print(model100100.summary())
+```
+
+>Model: "sequential_18"
+>┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+>┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+>┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+>│ dense_36 (Dense)                │ (None, 100)            │        78,500 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_37 (Dense)                │ (None, 100)            │        10,100 │
+>├─────────────────────────────────┼────────────────────────┼───────────────┤
+>│ dense_38 (Dense)                │ (None, 10)             │         1,010 │
+>└─────────────────────────────────┴────────────────────────┴───────────────┘
+>Total params: 89,610 (350.04 KB)
+>Trainable params: 89,610 (350.04 KB)
+>Non-trainable params: 0 (0.00 B)
+
+* 9.5 Обучаем модель.
+```
+H = model100100.fit(X_train, y_train, validation_split=0.1, epochs=50)
+```
+
+* 9.6 Выводим график функции ошибки.
+```
+plt.plot(H.history['loss'])
+plt.plot(H.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![график функции ошибки](7.png)
+
+```
+scores = model100100.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+>accuracy: 0.9449 - loss: 0.1931
+>Loss on test data: 0.19571688771247864
+>Accuracy on test data: 0.9435999989509583 
+
+## 10. Результаты исследования архитектур нейронной сети.
+
+| Количество скрытых слоев | Количество нейронов в первом скрытом слое | Количество нейронов во втором скрытом слое | Значение метрики качества классификации |
+|--------------------------|-------------------------------------------|--------------------------------------------|------------------------------------------|
+| 0                        | -                                         | -                                          | 0.9225000143051147                       |
+| 1                        | 100                                       | -                                          | 0.9442999958992004                       |
+| 1                        | 300                                       | -                                          | 0.9348000288009644                       |
+| 1                        | 500                                       | -                                          | 0.9304999709129333                       |
+| 2                        | 100                                       | 50                                         | 0.9438999891281128                       |
+| 2                        | 100                                       | 100                                        | 0.9435999989509583                       |
+
+Анализ результатов показал, что наивысшую точность (около 94.5%) демонстрируют модели со сравнительно простой архитектурой: однослойная сеть со 100 нейронами и двухслойная конфигурация (100 и 50 нейронов). Усложнение модели за счет увеличения количества слоев или нейронов не привело к улучшению качества, а в некоторых случаях даже вызвало его снижение. Это свидетельствует о том, что для относительно простого набора данных MNIST более сложные архитектуры склонны к переобучению, в то время как простые модели лучше обобщают закономерности.
+
+## 11. Сохранение наилучшей модели на диск.
+```
+model100.save('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
+```
+
+* 11.1 Загрузка лучшей модели с диска.
+```
+from keras.models import load_model
+model = load_model('/content/drive/MyDrive/Colab Notebooks/best_model/model100.keras')
+```
+
+## 12. Вывод тестовых изображений и результатов распознаваний.
+```
+n = 111
+result = model.predict(X_test[n:n+1])
+print('NN output:', result)
+plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
+plt.show()
+print('Real mark: ', str(np.argmax(y_test[n])))
+print('NN answer: ', str(np.argmax(result)))
+```
+
+>NN output: [[1.1728607e-03 5.4896927e-06 3.3185919e-05 2.6362878e-04 4.8558863e-06
+>9.9795568e-01 1.9454242e-07 1.6833146e-05 4.9621973e-04 5.1067746e-05]]
+![alt text](8.png)
+>Real mark:  5
+>NN answer:  5
+
+```
+n = 222
+result = model.predict(X_test[n:n+1])
+print('NN output:', result)
+plt.imshow(X_test[n].reshape(28,28), cmap=plt.get_cmap('gray'))
+plt.show()
+print('Real mark: ', str(np.argmax(y_test[n])))
+print('NN answer: ', str(np.argmax(result)))
+```
+
+>NN output: [[1.02687673e-05 2.02151591e-06 2.86183599e-03 8.74871985e-05
+>1.51387369e-02 6.32769879e-05 3.97122385e-05 4.11829986e-02 1.06158564e-04 9.40507472e-01]]
+![alt text](9.png)
+>Real mark:  9
+>NN answer:  9
+
+## 13. Тестирование на собственных изображениях.
+* 13.1 Загрузка 1 собственного изображения.
+```
+from PIL import Image
+file_data = Image.open('test.png')
+file_data = file_data.convert('L') # перевод в градации серого
+test_img = np.array(file_data)
+```
+
+* 13.2 Вывод собственного изображения.
+```
+plt.imshow(test_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![1 изображение](10.png)
+
+* 13.3 Предобработка.
+```
+test_img = test_img / 255
+test_img = test_img.reshape(1, num_pixels)
+```
+
+* 13.4 Распознавание.
+```
+result = model.predict(test_img)
+print('I think it\'s ', np.argmax(result))
+```
+>I think it's  5
+
+* 13.5 Тест 2 изображения.
+```
+from PIL import Image
+file2_data = Image.open('test_2.png')
+file2_data = file2_data.convert('L') # перевод в градации серого
+test2_img = np.array(file2_data)
+```
+
+```
+plt.imshow(test2_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![2 изображение](11.png)
+
+```
+test2_img = test2_img / 255
+test2_img = test2_img.reshape(1, num_pixels)
+```
+
+```
+result_2 = model.predict(test2_img)
+print('I think it\'s ', np.argmax(result_2))
+```
+
+>I think it's  2
+
+Сеть корректно распознала цифры на изображениях.
+
+## 14. Тестирование на повернутых изображениях.
+```
+from PIL import Image
+file90_data = Image.open('test90.png')
+file90_data = file90_data.convert('L') # перевод в градации серого
+test90_img = np.array(file90_data)
+
+plt.imshow(test90_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![alt text](12.png)
+
+```
+test90_img = test90_img / 255
+test90_img = test90_img.reshape(1, num_pixels)
+
+result_3 = model.predict(test90_img)
+print('I think it\'s ', np.argmax(result_3))
+```
+
+>I think it's  7
+
+```
+from PIL import Image
+file902_data = Image.open('test90_2.png')
+file902_data = file902_data.convert('L') # перевод в градации серого
+test902_img = np.array(file902_data)
+
+plt.imshow(test902_img, cmap=plt.get_cmap('gray'))
+plt.show()
+```
+
+![alt text](13.png)
+
+```
+test902_img = test902_img / 255
+test902_img = test902_img.reshape(1, num_pixels)
+
+result_4 = model.predict(test902_img)
+print('I think it\'s ', np.argmax(result_4))
+```
+
+>I think it's  7
+
+Сеть не распознала цифры на изображениях корректно.
\ No newline at end of file