Модель для распознования цифр, которая выдает результат %2 от чисел, натренерованна на наборе данных mnist
Общее количество обучаемых параметров НС мы узнаем с помощью .summary и их число равно 209 826
.summary выводит сводку модели машинного обучения, созданной в рамках проекта. Он позволяет увидеть количество слоев, количество нейронов в каждом слое,
функции активации и другие параметры модели. Это помогает определить, какие данные будут входить в модель, какие выходные данные будут получены,
какие параметры будут использоваться и какие функции потерь будут использоваться при обучении модели.
В данной работе я использую функцию потерь categorical_crossentropy, которая используется для классификации с несколькими классами.
В качестве оптимизатора я использую adam, который является одним из наиболее популярных оптимизаторов для обучения нейронных сетей.
Так как в данной работе я использую Mnist, он содержит 70 000 рукописных чисел, при чем 10 000 это тестовая выборка, 60 000 тренировочная, но в ней 20% являются валидационными
поэтому тестовая 10 000, валидационная 12 000 и тренировочная 48 000 данных
Ниже прикреплены картинки который показывают loss, accuracy на всех трех датасетах
Точность accuracy для валидационной и обучающей
Loss для валидационной и обучающей
accuracy и loss для тестовой выборки
