test LW task in markdown

labworks/LW1/README.md

@@ -0,0 +1,53 @@
+# Лабораторная работа №1
+
+# «Архитектура и обучение глубоких нейронных сетей»
+
+## Цель работы:
+
+Получить практические навыки создания, обучения и применения искусственных нейронных сетей на примере решения задачи распознавания рукописных цифр. Научиться загружать данные и проводить их предварительную обработку. Научиться оценивать качество работы обученной нейронной сети. Исследовать влияние архитектуры нейронной сети на качество решения задачи.
+
+## Подготовка к работе:
+
+Подготовить программную среду для выполнения лабораторной работы. Обеспечить возможность работы в среде Google Colaboratory. Ознакомиться с функционалом данной среды.
+
+## Задание: 
+
+1.	В среде Google Colab создать новый блокнот (notebook). Импортировать необходимые для работы библиотеки и модули.
+2.	Загрузить набор данных MNIST, содержащий размеченные изображения рукописных цифр.
+3.	Разбить набор данных на обучающие (train) и тестовые (test) данные в соотношении 60000:10000 элементов. При разбиении параметр random_state выбрать равным (4k – 1), где k – порядковый номер студента по журналу. Вывести размерности полученных обучающих и тестовых массивов данных.
+4.	Вывести первые 4 элемента обучающих данных (изображения и метки цифр).
+5.	Провести предобработку данных: привести 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». Вывести размерности предобработанных обучающих и тестовых массивов данных.
+6.	Реализовать модель однослойной нейронной сети и обучить ее на обучающих данных с выделением части обучающих данных в качестве валидационных. Вывести информацию об архитектуре нейронной сети. Вывести график функции ошибки на обучающих и валидационных данных по эпохам. При реализации модели нейронной сети задать следующую архитектуру и параметры обучения:
+    + количество скрытых слоев: 0
+    + функция активации выходного слоя: softmax
+    + функция ошибки: categorical_crossentropy
+    + алгоритм обучения: sgd
+    + метрика качества: accuracy
+    + количество эпох: 100
+    + доля валидационных данных от обучающих: 0.1
+	
+7.	Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных.
+8.	Добавить в модель один скрытый и провести обучение и тестирование (повторить п. 6-7) при 100, 300, 500, 1000 нейронах в скрытом слое. По метрике качества классификации на тестовых данных выбрать наилучшее количество нейронов в скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid.
+9.	Добавить в наилучшую архитектуру, определенную в п. 8, второй скрытый слой и провести обучение и тестирование (повторить п. 6-7) при 50, 100, 300 нейронах во втором скрытом слое. В качестве функции активации нейронов в скрытом слое использовать функцию sigmoid.
+10.	Результаты исследования архитектуры нейронной сети занести в таблицу:
+
++--------------------------+-----------------------+------------------------+------------------------+
+| Количество скрытых слоев |  Количество нейронов  |  Количество нейронов   |    Значение метрики    |
+|                          | в первом скрытом слое | во втором скрытом слое | качества классификации |
++==========================+=======================+========================+========================+
+|             0            |           -           |            -           |                        |
++--------------------------+-----------------------+------------------------+------------------------+
+|                          |          100          |                        |                        |
+|                          +-----------------------+------------------------+------------------------+
+|                          |          300          |                        |                        |
+|             1            +-----------------------+------------------------+------------------------+
+|                          |          500          |                        |                        |
+|                          +-----------------------+------------------------+------------------------+
+|                          |          1000         |                        |                        |
++--------------------------+-----------------------+------------------------+------------------------+
+|                          |                       |           50           |                        |
+|                          |                       +------------------------+------------------------+
+|             2            |  (наилучшее из п. 8)  |           100          |                        |
+|                          |                       +------------------------+------------------------+
+|                          |                       |           300          |                        |
++--------------------------+-----------------------+------------------------+------------------------+