pics fixed

LW1/report.md

@@ -87,8 +87,8 @@ for i in range(4):
     plt.title(f'Label: {y_train[i]}', fontsize = 6)
     plt.axis('off')
 plt.show()
-![alt text](image-2.png)
 ```
+![alt text](image-2.png)
 
 ### *5. Провести предобработку данных: привести обучающие и тестовые данные к формату, пригодному для обучения нейронной сети. Входныеданные должны  принимать  значения  от  0  до  1, метки  цифрдолжны  быть закодированы  по  принципу  «one-hotencoding».Вывести  размерности предобработанных обучающих и тестовых массивов данных.*
 
@@ -180,8 +180,8 @@ plt.show()
 Epoch 1/50
 1688/1688 ━━━━━━━━━━━━━━━━━━━━ 6s 3ms/step - accuracy: 0.6993 - loss: 1.1736 - val_accuracy: 0.8783 - val_loss: 0.5063
 ...
-![alt text](image-3.png)
 ```
+![alt text](image-3.png)
 
 ### *7. Применить обученную модель к тестовым данным. Вывести значение функции ошибки и значение метрики качества классификации на тестовых данных.*
 
@@ -254,8 +254,8 @@ plt.title('Accuracy on test data depending on hidden layer size')
 plt.xlabel('Number of neurons in hidden layer')
 plt.ylabel('Accuracy')
 plt.show()
-![alt text](image-4.png)
 ```
+![alt text](image-4.png)
 
 Результаты тестирования показывают, что с увеличением числа нейронов в скрытом слое точность модели немного снижается. По графику видно, что увеличение числа нейронов не приводит к улучшению качества классификации,
 а наоборот, вызывает лёгкое переобучение и снижение точности на тестовой выборке.
@@ -368,8 +368,9 @@ for i, idx in enumerate(indices):
     plt.title(f'True: {true_labels[i]}, Pred: {predicted_labels[i]}')
     plt.axis('off')
 plt.show()
-![alt text](image-5.png)
 ``` 
+![alt text](image-5.png)
+
 `np.argmax()` извлекает индекс максимального значения в векторе вероятностей (то есть номер класса). `model2.predict()` возвращает вероятность принадлежности изображения к каждому из 10 классов. Для наглядности в заголовках указаны истинная метка (True) и предсказанная моделью (Pred).
 
 ### *13. Каждому члену бригады создать собственное изображение рукописной цифры, подобное представленным в наборе MNIST. Цифру выбрать как остаток от деления на 10 числа своего дня рождения (например, 29 февраля → 29 mod10 = 9). Сохранить изображения. Загрузить, предобработать и подать  на  вход  обученной  нейронной  сети  собственные  изображения. Вывести изображения и результаты распознавания.*