Instructions to use JustBlood/Python_Final_Task_Porozov with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Keras
How to use JustBlood/Python_Final_Task_Porozov with Keras:
# !pip install -U keras tensorflow huggingface_hub # Keras needs TensorFlow installed to read "hf://" paths, so the tensorflow backend is selected here; # "jax" and "torch" also work for computation once TensorFlow is installed. import os os.environ["KERAS_BACKEND"] = "tensorflow" import keras model = keras.saving.load_model("hf://JustBlood/Python_Final_Task_Porozov") - Notebooks
- Google Colab
- Kaggle
|
Download README.md from JustBlood/Python_Final_Task_Porozov: direct link, hf CLI and curl.
- Browser
- Download file 2.25 kB
-
https://huggingface.co/JustBlood/Python_Final_Task_Porozov/resolve/refs%2Fpr%2F1/README.md
- Command line
-
hf download hf://JustBlood/Python_Final_Task_Porozov@refs/pr/1/README.md
-
curl -L -o README.md https://huggingface.co/JustBlood/Python_Final_Task_Porozov/resolve/refs%2Fpr%2F1/README.md
2.25 kB
| language: | |
| - ru | |
| library_name: tf-keras | |
| metrics: | |
| - accuracy | |
| # Порозов Кирилл - Итоговое задание. Вариант №3. | |
| Карточка НС должна содержать: | |
| 1. Описание задачи которую выполняет НС; | |
| 2. Изображение послойной архитектуры НС на которой указаны размеры слоя, функция | |
| активации; | |
| 3. Общее количество обучаемых параметров НС; | |
| 4. Используемый алгоритмы оптимизации и функция ошибки; | |
| 5. Размеры тренировочного, валидационного и тестового датасетов; | |
| 6. Результаты обучения модели: loss и accuracy на всех трёх датасетах | |
| # Описание задачи | |
| Дан датасет mnist по входному изображению определить остаток от деления этой цифры | |
| на 3; | |
| # Послойная архитектура НС | |
|  | |
| # Общее количество обучаемых параметров НС | |
|  | |
| # Используемые алгоритмы оптимизации и функция ошибки | |
| 1. Использованная **функция ошибки** - **категориальная кроссэнтропия** для повышения качества нейронной сети | |
| 2. Использованный **алгоритм оптимизации - adam** из Keras | |
|  | |
| # Размеры тренировочного, валидационного и тестового датасетов: | |
| 1. Размер тренировочного датаеста: **60.000** фото 28х28 | |
| 2. Размер валидационного датасета: 10% от тренировочного = **6.000** фото 28х28 | |
| 3. Размер тестового датасета: **10.000** фото 28х28 | |
| # Результаты обучения модели | |
|  | |
| ## Наглядная демонстрация предсказаний модели: | |
|  |