# Лабораторная работа №1 <br> «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:

<table>
<thead>
  <tr>
    <th>Количество скрытых слоев</th>
    <th>Количество нейронов в первом скрытом слое</th>
    <th>Количество нейронов во втором скрытом слое</th>
    <th>Значение метрики качества классификации</th>
  </tr>
</thead>
<tbody>
  <tr>
    <td>0</td>
    <td>-</td>
    <td>-</td>
    <td></td>
  </tr>
  <tr>
    <td rowspan="3">1</td>
    <td>100</td>
    <td>-</td>
    <td></td>
  </tr>
  <tr>
    <td>300</td>
    <td>-</td>
    <td></td>
  </tr>
  <tr>
    <td>500</td>
    <td>-</td>
    <td></td>
  </tr>
  <tr>
    <td rowspan="2">2</td>
    <td>наилучшее из п.8</td>
    <td>50</td>
    <td></td>
  </tr>
  <tr>
    <td>наилучшее из п.8</td>
    <td>100</td>
    <td></td>
  </tr>
</tbody>
</table>