diff --git a/labworks/LW1/image7.png b/labworks/LW1/image7.png
new file mode 100644
index 0000000..8d8ec46
Binary files /dev/null and b/labworks/LW1/image7.png differ
diff --git a/labworks/LW1/image8.png b/labworks/LW1/image8.png
new file mode 100644
index 0000000..7296319
Binary files /dev/null and b/labworks/LW1/image8.png differ
diff --git a/labworks/LW1/report.md b/labworks/LW1/report.md
new file mode 100644
index 0000000..5fb92a9
--- /dev/null
+++ b/labworks/LW1/report.md
@@ -0,0 +1,622 @@
+# Отчёт по лабораторной работе №1
+
+**Фонов А.Д., Хнытченков А.М. — А-01-22**
+
+## 1. В среде Google Colab создан новый блокнот. Импортированы необходимые библиотеки и модули.
+
+```python
+from google.colab import drive
+drive.mount('/content/drive')
+```
+
+```python
+from tensorflow import keras
+import matplotlib.pyplot as plt
+import numpy as np
+import sklearn
+from keras.datasets import mnist
+from sklearn.model_selection import train_test_split
+from tensorflow.keras.utils import to_categorical
+from keras.models import Sequential
+from keras.layers import Dense
+from PIL import Image
+```
+
+
+---
+
+## 2. Загрузили набора данных MNIST с изображениями рукописных цифр.
+
+```python
+(X_train, y_train), (X_test, y_test) = mnist.load_data()
+```
+
+---
+
+## 3. Разбили данные на обучающую и тестовую выборки 60 000:10 000.
+
+При объединении исходных выборок и последующем разбиении был использован параметр `random_state = 4*k - 1`, где *k* – номер бригады (k = 3). Такой фиксированный seed обеспечивает воспроизводимость разбиения. 
+
+```python
+# объединяем исходные обучающие и тестовые данные в один массив
+X = np.concatenate((X_train, X_test))
+y = np.concatenate((y_train, y_test))
+
+# выполняем разбиение на обучающую (60000) и тестовую (10000) выборки
+X_train, X_test, y_train, y_test = train_test_split(
+    X, y, train_size=60000, test_size=10000, random_state=4*3 - 1
+)
+
+# вывод размерностей полученных массивов
+print('Shape of X train:', X_train.shape)
+print('Shape of y test:', y_test.shape)
+```
+
+```
+Shape of X train: (60000, 28, 28)  
+Shape of y train: (60000,)  
+```
+
+---
+
+## 4. Вывели первые 4 элемента обучающих данных (изображения и метки цифр).
+
+```python
+# вывод изображения
+fig, axes = plt.subplots(1, 4, figsize=(10, 3))
+for i in range(4):
+    axes[i].imshow(X_train[i], cmap=plt.get_cmap('gray'))
+    axes[i].set_title(y_train[i])
+    axes[i].axis('off')
+plt.show()
+```
+![Примеры изображений](image.png)
+
+---
+
+## 5. Провели предобработку данных: привели обучающие и тестовые данные к формату, пригодному для обучения нейронной сети. Входные данные должны принимать значения от 0 до 1, метки цифр должны быть закодированы по принципу «one-hot encoding». Вывели размерности предобработанных обучающих и тестовых массивов данных.
+
+```python
+# развернем каждое изображение 28*28 в вектор 784
+num_pixels = X_train.shape[1] * X_train.shape[2]
+X_train = X_train.reshape(X_train.shape[0], num_pixels) / 255.0
+X_test = X_test.reshape(X_test.shape[0], num_pixels) / 255.0
+print('Shape of transformed X train:', X_train.shape)
+```
+
+```
+Shape of transformed X train: (60000, 784)
+```
+
+```python
+# переведем метки в one-hot
+from tensorflow.keras.utils import to_categorical
+y_train = to_categorical(y_train)
+y_test = to_categorical(y_test)
+```
+
+```
+Shapeoftransformedytrain: (60000, 10)
+```
+
+---
+
+## 6. Реализовали и обученили однослойную нейронную сеть.
+
+**Архитектура и параметры:**
+- количество скрытых слоёв: 0
+- функция активации выходного слоя: `softmax`
+- функция ошибки: `categorical_crossentropy`
+- алгоритм обучения: `sgd`
+- метрика качества: `accuracy`
+- количество эпох: 50
+- доля валидационных данных от обучающих: 0.1
+
+```python
+model = Sequential()
+model.add(Dense(units=10, input_dim=num_pixels, activation='softmax'))
+model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+model.summary()
+```
+
+```
+Model: "sequential_4"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_5 (Dense)                 │ (None, 10)             │         7,850 │
+└─────────────────────────────────┴────────────────────────┴───────────────┘
+ Total params: 7,850 (30.66 KB)
+ Trainable params: 7,850 (30.66 KB)
+ Non-trainable params: 0 (0.00 B)
+```
+
+```python
+#обучение
+H1 = model.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H1.history['loss'])
+plt.plot(H1.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image2.png)
+---
+
+## 7. Применили обученную модель к тестовым данным.
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+Loss on test data: 0.32417795062065125
+Accuracy on test data: 0.9110999703407288
+```
+
+## 8. Добавили в модель один скрытый слой и провели обучение и тестирование (повторить п. 6–7) при 100, 300, 500 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрали наилучшее количество нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое использовали функцию sigmoid.
+
+### При 100 нейронах:
+```python
+model_100 = Sequential ()
+model_100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
+model_100.add(Dense(units=num_classes, activation='softmax'))
+model_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model_100.summary())
+```
+
+```
+Model: "sequential_5"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_6 (Dense)                 │ (None, 100)            │        78,500 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_7 (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)
+None
+```
+
+```python
+#обучение
+H_100 = model_100.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H_100.history['loss'])
+plt.plot(H_100.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image3.png)
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model_100.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9184 - loss: 0.2786
+Loss on test data: 0.2789558172225952
+Accuracy on test data: 0.9182999730110168
+```
+
+### При 300 нейронах:
+```python
+model_300 = Sequential ()
+model_300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
+model_300.add(Dense(units=num_classes, activation='softmax'))
+model_300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model_300.summary())
+```
+
+```
+Model: "sequential_6"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_8 (Dense)                 │ (None, 300)            │       235,500 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_9 (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)
+None
+```
+
+```python
+H_300 = model_300.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H_300.history['loss'])
+plt.plot(H_300.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image5.png)
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model_300.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 4ms/step - accuracy: 0.9126 - loss: 0.2880
+Loss on test data: 0.28887832164764404
+Accuracy on test data: 0.9136999845504761
+```
+
+### При 500 нейронах:
+```python
+model_500 = Sequential()
+model_500.add(Dense(units=500, input_dim=num_pixels, activation='sigmoid'))
+model_500.add(Dense(units=num_classes, activation='softmax'))
+model_500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model_500.summary())
+```
+
+```
+Model: "sequential_7"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_10 (Dense)                │ (None, 500)            │       392,500 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_11 (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)
+None
+```
+
+
+```python
+H_500 = model_500.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H_500.history['loss'])
+plt.plot(H_500.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image6.png)
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model_500.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 3ms/step - accuracy: 0.9125 - loss: 0.2925
+Loss on test data: 0.29266518354415894
+Accuracy on test data: 0.9136999845504761
+```
+
+Мы видим что лучший результат показала модель со 100 нейронами в скрытом слое(Accuracy = 0.9138).
+
+## 9. Добавили в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провели обучение и тестирование при 50 и 100 нейронах во втором скрытом слое. В качестве функции активации нейронов в скрытом слое использовали функцию sigmoid.
+
+### При 50 нейронах в 2-м слое:
+```python
+model_100_50 = Sequential()
+model_100_50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
+model_100_50.add(Dense(units=50, activation='sigmoid'))
+model_100_50.add(Dense(units=num_classes, activation='softmax'))
+model_100_50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model_100_50.summary())
+```
+
+```
+Model: "sequential_9"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_14 (Dense)                │ (None, 100)            │        78,500 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_15 (Dense)                │ (None, 50)             │         5,050 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_16 (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)
+None
+```
+
+
+```python
+H_100_50 = model_100_50.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H_100_50.history['loss'])
+plt.plot(H_100_50.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image7.png)
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model_100_50.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9110 - loss: 0.3112
+Loss on test data: 0.31079161167144775
+Accuracy on test data: 0.9092000126838684
+```
+
+### При 100 нейронах во 2-м слое:\
+
+```python
+model_100_100 = Sequential()
+model_100_100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
+model_100_100.add(Dense(units=100, activation='sigmoid'))
+model_100_100.add(Dense(units=num_classes, activation='softmax'))
+model_100_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
+print(model_100_100.summary())
+```
+
+```
+Model: "sequential_10"
+┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
+┃ Layer (type)                    ┃ Output Shape           ┃       Param # ┃
+┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
+│ dense_17 (Dense)                │ (None, 100)            │        78,500 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_18 (Dense)                │ (None, 100)            │        10,100 │
+├─────────────────────────────────┼────────────────────────┼───────────────┤
+│ dense_19 (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)
+None
+```
+
+```python
+H_100_100 = model_100_100.fit(X_train, y_train, batch_size=256, validation_split=0.1, epochs=150)
+```
+
+```python
+# вывод графика ошибки по эпохам
+plt.plot(H_100_100.history['loss'])
+plt.plot(H_100_100.history['val_loss'])
+plt.grid()
+plt.xlabel('Epochs')
+plt.ylabel('loss')
+plt.legend(['train_loss', 'val_loss'])
+plt.title('Loss by epochs')
+plt.show()
+```
+
+![граффик обучения](image8.png)
+
+```python
+# Оценка качества работы модели на тестовых данных
+scores = model.evaluate(X_test, y_test)
+print('Loss on test data:', scores[0])
+print('Accuracy on test data:', scores[1])
+```
+
+```
+313/313 ━━━━━━━━━━━━━━━━━━━━ 1s 2ms/step - accuracy: 0.9144 - loss: 0.2963
+Loss on test data: 0.29889559745788574
+Accuracy on test data: 0.9126999974250793
+```
+
+## 10. Сравнили качество классификации на тестовых данных всех построенных моделей. Сделали выводы.
+
+| Кол-во слоёв | Нейронов в 1-м | Нейронов во 2-м | Accuracy |
+|---------------|----------------|-----------------|-----------|
+| 0 | – | – | 0.9111 |
+| 1 | 100 | – | 0.9183 |
+| 1 | 300 | – | 0.9136 |
+| 1 | 500 | – | 0.9137 |
+| 2 | 100 | 50 | 0.9092 |
+| 2 | 100 | 100 | 0.9127 |
+
+**Вывод:** наилучшей оказалась архитектура с одним скрытым слоем и 100 нейронами в нём. Увеличение числа нейронов в скрытом слое или добавление второго слоя не улучшило качество классификации, а в некоторых случаях даже ухудшило его. Вероятно, это связано с переобучением модели из-за избыточного количества параметров при относительно небольшом объёме обучающих данных.
+
+---
+
+## 11. Сохранили наилучшую модель на диск.
+
+```python
+model_100.save("/content/drive/MyDrive/Colab Notebooks/best_model_100.keras")
+```
+
+---
+
+## 12. Для нейронной сети с наилучшей архитектурой вывели 2 тестовых изображения и истинные метки, а также предсказанные моделью метки.
+
+```python
+n = 333
+result = model_100.predict(X_test[n:n+1])
+print('NNoutput:',result)
+plt.imshow(X_test[n].reshape(28,28),cmap=plt.get_cmap('gray'))
+plt.show()
+print('Realmark:',str(np.argmax(y_test[n])))
+print('NNanswer:',str(np.argmax(result)))
+```
+![Пример 1](image9.png)  
+
+```
+NNoutput: [[2.8792789e-05 1.1840343e-06 6.8865262e-04 2.9317471e-07 1.0873583e-04
+  3.8107886e-04 9.9874818e-01 3.4978150e-08 4.1428295e-05 1.6908634e-06]]
+Realmark: 6
+NNanswer: 6
+```
+
+```python
+n = 234
+result = model_100.predict(X_test[n:n+1])
+print('NNoutput:',result)
+plt.imshow(X_test[n].reshape(28,28),cmap=plt.get_cmap('gray'))
+plt.show()
+print('Realmark:',str(np.argmax(y_test[n])))
+print('NNanswer:',str(np.argmax(result)))
+```
+![Пример 2](image10.png)
+
+```
+NNoutput: [[8.59206193e-05 3.77812080e-06 5.60759217e-04 8.30771052e-04
+  1.28042605e-02 7.39536830e-04 7.70781189e-05 3.77385356e-02
+  7.31113739e-03 9.39848125e-01]]
+Realmark: 9
+NNanswer: 9
+```
+
+---
+
+## 13. Создали собственные изображения рукописных цифр, подобное представленным в наборе MNIST. Цифру выбрали как остаток от деления на 10 числа своего дня рождения (27 апреля → 27 mod 10 = 7, 4 июня → 4 mod 10 = 4). Сохранили изображения. Загрузили, предобработали и подали на вход обученной нейронной сети собственные изображения. Вывели изображения и результаты распознавания.
+
+### Для 7:
+
+![Изображение "4"](IS_lab_4.png)
+
+```python
+#вывод собственного изображения
+plt.imshow(test_img,cmap=plt.get_cmap('gray'))
+plt.show()
+#предобработка
+test_img=test_img/255
+test_img=test_img.reshape(1,num_pixels)
+#распознавание
+result=model_100.predict(test_img)
+print('I think it\'s',np.argmax(result))
+```
+
+```
+1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 27ms/step
+I think it's 4
+```
+
+### Для 4:
+
+![Мое изображение "7"](IS_lab_7.png)
+
+```python
+from PIL import Image
+file_data_7=Image.open('/content/drive/MyDrive/Colab Notebooks/IS_lab_7.png')
+file_data_7=file_data_7.convert('L')
+test_img_7=np.array(file_data_7)
+#вывод собственного изображения
+plt.imshow(test_img_7,cmap=plt.get_cmap('gray'))
+plt.show()
+#предобработка
+test_img_7=test_img_7/255
+test_img_7=test_img_7.reshape(1,num_pixels)
+#распознавание
+result=model_100.predict(test_img_7)
+print('I think it\'s',np.argmax(result))
+```
+
+
+```
+1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 41ms/step
+I think it's 4
+```
+
+---
+
+## 14. Создать копию собственного изображения, отличающуюся от оригинала поворотом на 90 градусов в любую сторону. Сохранили изображения. Загрузили, предобработали и подали на вход обученной нейронной сети измененные изображения. Вывели изображения и результаты распознавания. Сделали выводы по результатам эксперимента.
+
+```python
+from PIL import Image
+file_data=Image.open('/content/drive/MyDrive/Colab Notebooks/IS_lab_7_90.png')
+file_data=file_data.convert('L')
+test_img=np.array(file_data)
+#вывод собственного изображения
+plt.imshow(test_img,cmap=plt.get_cmap('gray'))
+plt.show()
+#предобработка
+test_img=test_img/255
+test_img=test_img.reshape(1,num_pixels)
+#распознавание
+result=model_100.predict(test_img)
+print('Ithinkit\'s',np.argmax(result))
+```
+
+![Отображение "7 повернутой"](IS_lab_7_90.png)
+
+```python
+from PIL import Image
+file_data_4=Image.open('/content/drive/MyDrive/Colab Notebooks/IS_lab_4_90.png')
+file_data_4=file_data_4.convert('L')
+test_img_4=np.array(file_data_4)
+#выводсобственногоизображения
+plt.imshow(test_img_4,cmap=plt.get_cmap('gray'))
+plt.show()
+#предобработка
+test_img_4=test_img_4/255
+test_img_4=test_img_4.reshape(1,num_pixels)
+#распознавание
+result=model_100.predict(test_img_4)
+print('Ithinkit\'s',np.argmax(result))
+```
+
+![Отображение "4 повернутой"](IS_lab_4_90.png)
+
+```
+1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 39ms/step
+I think it's 1
+```
+
+**Вывод:** модель неустойчива к повороту изображений, так как не обучалась на повернутых данных.
+
+---
+
+## Заключение
+Изучены принципы построения и обучения нейронных сетей в Keras на примере распознавания цифр MNIST. Лучшая точность достигнута простой моделью с одним скрытым слоем из 100 нейронов. При усложнении архитектуры наблюдается переобучение. Сеть корректно классифицирует собственные изображения, но ошибается на повернутых.
\ No newline at end of file