diff --git a/labworks/LW1/Report.md b/labworks/LW1/Report.md
deleted file mode 100644
index bed2468..0000000
--- a/labworks/LW1/Report.md
+++ /dev/null
@@ -1,689 +0,0 @@
-# Отчёт по лабораторной работе №1
-## по теме: "Архитектура и обучение глубоких нейронных сетей"
-
----
-Выполнили: Бригада 2, Мачулина Д.В., Бирюкова А.С.
-
----
-### 1. Создание блокнота в Google Collab и настройка директории
-```python
-import os
-os.chdir('/content/drive/MyDrive/Colab Notebooks')
-```
-**Импорт библиотек**
-```python
-from tensorflow import keras
-import matplotlib.pyplot as plt
-import numpy as np
-import sklearn
-```
-
----
-### 2. Загрузка набора данных MNIST
-```python
-from keras.datasets import mnist
-(X_train, y_train), (X_test, y_test) = mnist.load_data()
-```
-___
-### 3. Разбиение набора данных на обучающие и тестовые данные
-```python
-from sklearn.model_selection import train_test_split
-```
-**Объединение обучающих и тестовых данных в один набор**
-```python
-X = np.concatenate((X_train, X_test))
-y = np.concatenate((y_train, y_test))
-```
-**Разбиение набора случайным образом (номер бригады - 2)**
-```python
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 10000, train_size = 60000, random_state = 7)
-```
-**Вывод размерностей**
-```python
-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 элементов обучающих данных
-```python
-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(f'Label: {y_train[i]}')
-
-plt.show()
-```
-
-
----
-### 5. Предобработка данных
-**Преобразование данных из массива в вектор**
-```python
-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)*
-
-**Кодировка метод цифр по принципу one-hot encoding**
-```python
-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 модели нейронной сети
-```python
-from keras.models import Sequential
-from keras.layers import Dense
-```
-
-**Создание и компиляция модели**
-```python
-model_01 = Sequential()
-model_01.add(Dense(units=num_classes,input_dim=num_pixels, activation='softmax'))
-model_01.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01.summary()
-```
-*Model: "sequential_1"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_1 (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)*
-
-**Обучение модели**
-```python
-H = model_01.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size = 512
-)
-```
-**Вывод графика ошибки**
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H.history['loss'], label='Обучающая ошибка')
-plt.plot(H.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-
-### 7. Применение модели к тестовым данным
-```python
-scores=model_01.evaluate(X_test,y_test)
-print('Loss on test data:', scores[0])
-print('Accuracy on test data:', scores[1])
-```
-*Loss on test data: 0.3256668746471405;*
-
-*Accuracy on test data: 0.9133999943733215*
-
-### 8. Повторные эксперименты с добавлением первого скрытого слоя
-**100 нейронов в первом скрытом слое:**
-```python
-model_01_100 = Sequential()
-model_01_100.add(Dense(units=100,input_dim=num_pixels, activation='sigmoid'))
-model_01_100.add(Dense(units=num_classes, activation='softmax'))
-model_01_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01_100.summary()
-```
-*Model: "sequential_3"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_5 (Dense) |
- (None, 100) |
- 78,500 |
-
-
- | dense_6(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)*
-```python
-H_01_100 = model_01_100.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size = 512
-)
-```
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H_01_100.history['loss'], label='Обучающая ошибка')
-plt.plot(H_01_100.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-```python
-scores_01_100=model_01_100.evaluate(X_test,y_test)
-print('Loss on test data:', scores_01_100[0])
-print('Accuracy on test data:', scores_01_100[1])
-```
-*Loss on test data: 0.38375645875930786*
-
-*Accuracy on test data: 0.9007999897003174*
-
-**300 нейронов в первом скрытом слое**
-```python
-model_01_300 = Sequential()
-model_01_300.add(Dense(units=300,input_dim=num_pixels, activation='sigmoid'))
-model_01_300.add(Dense(units=num_classes, activation='softmax'))
-model_01_300.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01_300.summary()
-```
-*Model: "sequential_3"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_11 (Dense) |
- (None, 300) |
- 235,500 |
-
-
- | dense_12(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)*
-
-```python
-H_01_300 = model_01_300.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size = 512
-)
-```
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H_01_300.history['loss'], label='Обучающая ошибка')
-plt.plot(H_01_300.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-```python
-scores_01_300=model_01_300.evaluate(X_test,y_test)
-print('Loss on test data:', scores_01_300[0])
-print('Accuracy on test data:', scores_01_300[1])
-```
-
-*Loss on test data: 0.36969417333602905*
-
-*Accuracy on test data: 0.9010999798774719*
-
-**500 нейронов в первом скрытом слое**
-```python
-model_01_500 = Sequential()
-model_01_500.add(Dense(units=500,input_dim=num_pixels, activation='sigmoid'))
-model_01_500.add(Dense(units=num_classes, activation='softmax'))
-model_01_500.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01_500.summary()
-```
-*Model: "sequential_3"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_15 (Dense) |
- (None, 500) |
- 392,500 |
-
-
- | dense_16(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)*
-
-```python
-H_01_500 = model_01_500.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size = 512
-)
-```
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H_01_500.history['loss'], label='Обучающая ошибка')
-plt.plot(H_01_500.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-```python
-scores_01_500=model_01_500.evaluate(X_test,y_test)
-print('Loss on test data:',scores_01_500[0])
-print('Accuracy on test data:',scores_01_500[1])
-```
-*Loss on test data: 0.3678894639015198*
-
-*Accuracy on test data: 0.9003999829292297*
-
-Таким образом, наиболее точной архитектурой со скрытым слоем является архитектура со 100 нейронами в скрытом слое. Для дальнейшей работы будем использовать её.
-
-### 9. Повторные эксперименты с добавлением второго скрытого слоя
-**50 нейронов во втором скрытом слое**
-```python
-model_01_100_50 = Sequential()
-model_01_100_50.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
-model_01_100_50.add(Dense(units=50, activation='sigmoid'))
-model_01_100_50.add(Dense(units=num_classes, activation='softmax'))
-model_01_100_50.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01_100_50.summary()
-```
-*Model: "sequential_10"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_17 (Dense) |
- (None, 100) |
- 78,500 |
-
-
- | dense_18(Dense) |
- (None,50) |
- 5,050 |
-
-
- | dense_19 (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)*
-
-```python
-H_01_100_50 = model_01_100_50.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size=512
-)
-```
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H_01_100_50.history['loss'], label='Обучающая ошибка')
-plt.plot(H_01_100_50.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-```python
-scores_01_100_50=model_01_100_50.evaluate(X_test,y_test)
-print('Loss on test data:',scores_01_100_50[0])
-print('Accuracy on test data:',scores_01_100_50[1])
-```
-*Loss on test data: 0.36366331577301025*
-
-*Accuracy on test data: 0.9025999903678894*
-
-**100 нейронов во втором скрытом слое**
-```python
-model_01_100_100 = Sequential()
-model_01_100_100.add(Dense(units=100, input_dim=num_pixels, activation='sigmoid'))
-model_01_100_100.add(Dense(units=100, activation='sigmoid'))
-model_01_100_100.add(Dense(units=num_classes, activation='softmax'))
-model_01_100_100.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
-model_01_100_100.summary()
-```
-*Model: "sequential_10"*
-
-
-
- | Layer (type) |
- Output Shape |
- Param # |
-
-
-
-
- | dense_26 (Dense) |
- (None, 100) |
- 78,500 |
-
-
- | dense_27(Dense) |
- (None,100) |
- 10,100 |
-
-
- | dense_28 (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)*
-
-```python
-H_01_100_100 = model_01_100_100.fit(
- X_train, y_train,
- validation_split=0.1,
- epochs=100,
- batch_size=512
-)
-```
-```python
-plt.figure(figsize=(12, 5))
-
-plt.subplot(1, 2, 1)
-plt.plot(H_01_100_100.history['loss'], label='Обучающая ошибка')
-plt.plot(H_01_100_100.history['val_loss'], label='Валидационная ошибка')
-plt.title('Функция ошибки по эпохам')
-plt.xlabel('Epochs')
-plt.ylabel('loss')
-plt.legend()
-plt.grid(True)
-```
-
-```python
-scores_01_100_100=model_01_100_100.evaluate(X_test,y_test)
-print('Lossontestdata:',scores_01_100_100[0])
-print('Accuracyontestdata:',scores_01_100_100[1])
-```
-*Loss on test data: 0.5176764726638794*
-
-*Accuracy on test data: 0.8664000034332275*
-
-**Сведём результаты в таблицу**
-
-
-
- | Количество скрытых слоёв (type) |
- Количество нейронов в первом скрытом слое |
- Количество нейронов во втором скрытом слое |
- Значение метрики качества классификации |
-
-
-
-
- | 0 |
- - |
- - |
- 0.9133999943733215 |
-
-
- | 1 |
- 100 |
- - |
- 0.9007999897003174 |
-
-
- | 300 |
- 0.9010999798774719 |
-
-
- | 500 |
- 0.9003999829292297 |
-
-
- | 2 |
- 100 |
- 50 |
- 0.9025999903678894 |
-
-
- | 100 |
- 0.8664000034332275 |
-
-
-
-
-### 11.Сохранение лучшей модели на диск
-```python
-model_01_100_50.save(filepath='best_model.keras')
-```
-
-### 12. Вывод тестовых изображений
-**Загрузка лучшей модели с диска**
-```python
-from keras.models import load_model
-model = load_model('best_model.keras')
-```
-**Вывод изображений**
-```python
-n = 123
-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)))
-```
-
-
-*Real mark: 6*
-
-*NN answer: 6*
-
-```python
-n = 765
-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)))
-```
-
-
-*Real mark: 3*
-
-*NN answer: 3*
-
-### 13. Тестирование на собственных изображениях
-**Загрузка собственного изображения**
-```python
-from PIL import Image
-file_07_data = Image.open('7.png')
-file_07_data = file_07_data.convert('L')
-test_07_img = np.array(file_07_data)
-```
-**Вывод изображения**
-```python
-plt.imshow(test_07_img, cmap=plt.get_cmap('gray'))
-plt.show()
-```
-
-
-**Распознавание изображения**
-```python
-test_07_img = test_07_img / 255
-test_07_img = test_07_img.reshape(1, num_pixels)
-```
-*I think it's 7*
-
-**Второе изображение**
-```python
-from PIL import Image
-file_05_data = Image.open('5.png')
-file_05_data = file_05_data.convert('L')
-test_05_img = np.array(file_05_data)
-```
-```python
-plt.imshow(test_05_img, cmap=plt.get_cmap('gray'))
-plt.show()
-```
-
-
-```python
-test_05_img = test_05_img / 255
-test_05_img = test_05_img.reshape(1, num_pixels)
-```
-```python
-result = model.predict(test_05_img)
-print('I think it\'s ', np.argmax(result))
-```
-*I think it's 5*
-Нейросеть распознала изображения корректно
-
-### 14. Тестирование на собственных перевёрнутых изображениях
-**Первое изображение**
-```python
-from PIL import Image
-file_07_90_data = Image.open('7-90.png')
-file_07_90_data = file_07_90_data.convert('L')
-test_07_90_img = np.array(file_07_90_data)
-```
-```python
-plt.imshow(test_07_90_img, cmap=plt.get_cmap('gray'))
-plt.show()
-```
-
-
-```python
-test_07_90_img = test_07_90_img / 255
-test_07_90_img = test_07_90_img.reshape(1, num_pixels)
-```
-```python
-result = model.predict(test_07_90_img)
-print('I think it\'s ', np.argmax(result))
-```
-*I think it's 2*
-
-**Второе изображение**
-```python
-from PIL import Image
-file_05_90_data = Image.open('5-90.png')
-file_05_90_data = file_05_90_data.convert('L')
-test_05_90_img = np.array(file_05_90_data)
-```
-```python
-plt.imshow(test_05_90_img, cmap=plt.get_cmap('gray'))
-plt.show()
-```
-
-
-```python
-test_05_90_img = test_05_90_img / 255
-test_05_90_img = test_05_90_img.reshape(1, num_pixels)
-```
-```python
-result = model.predict(test_05_90_img)
-print('I think it\'s ', np.argmax(result))
-```
-*I think it's 4*
-
-Нейросеть не смогла распознать изображения
-
-**Вывод по архитектуре**: анализируя полученные результаты, можем прийти к выводу, что с ростом количества нейронов точность сначала улучшается - сеть обучается лучше, а при 500 нейронах - немного падает качество классификации, что может свидетельствовать о том, что алгоритм «застревал» в каком-то локальном минимуме; либо слишком малое время обучения - сеть не успевает обучиться, из-за чего страдает качество конечного результата. В данном примере это не критично, так как переобучение не наблюдается, а сама по себе точность достаточно высокая.
-
-**Вывод по картинкам**: проанализировав результаты работы сети, делаем вывод, что нейросеть справилась только с прямыми изображениями, повёрнутые она распознать не смогла. Это логично, потому что обучали её только на прямых изображениях. Если необходимо, чтобы картинки распознавались в том числе перевёрнутыми, в обучающую выборку стоит включить изображения такого же характера.
\ No newline at end of file