Update README.md

README.md

@@ -1,3 +1,47 @@
 ---
 license: gpl-2.0
 ---
+# DeepDigits_AI
+## Нейронная сеть для классификации цифр с точностью 99.4%
+![image](https://user-images.githubusercontent.com/101829424/235917558-4b4642e8-8808-4938-84bf-27de5592b442.png)
+
+## Введение
+Цель данной работы - создание нейронной сети для распознавания цифр с предельно высокой точностью. Была выбрана задача многоклассовой классификации, на выходном слое содержится десять нейронов, представляющие цифры от "0" до "9".
+
+
+## Архитектура сети
+Нейронная модель основана на архитектуре свёрточной сети (Convolutional Neural Network, CNN). В качестве тренировочного набора данных использовался набор рукописных цифр 
+[MNIST](https://www.tensorflow.org/datasets/catalog/mnist?hl=ru). Модель предназначена для работы на тензорных процессорах (TPU). За счёт этого, и отсутствия переобучения достигается предельно высокая точность на валидационных данных. 
+![model (1)](https://user-images.githubusercontent.com/101829424/235922343-c069317a-0b61-44dd-b518-83c24ebe336b.png)
+
+Сверточный слой с 32 фильтрами размера (3, 3) и функцией активации ReLU, который принимает на вход изображения размера (28, 28, 1).
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Сверточный слой с 64 фильтрами размера (3, 3) и функцией активации ReLU.
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Слой MaxPooling2D с размером пула (2, 2).
+- Слой Dropout с коэффициентом 0.25 для регуляризации.
+- Сверточный слой с 128 фильтрами размера (3, 3) и функцией активации ReLU.
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Сверточный слой с 256 фильтрами размера (3, 3), функцией активации ReLU и регуляризацией L2 со значением 0.001.
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Слой MaxPooling2D с размером пула (2, 2).
+- Слой Dropout с коэффициентом 0.25 для регуляризации.
+- Слой Flatten для преобразования выходов сверточных слоев в одномерный вектор.
+- Полносвязный слой с 512 нейронами и функцией активации ReLU, а также регуляризацией L2 со значением 0.001.
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Слой Dropout с коэффициентом 0.5 для регуляризации.
+- Полносвязный слой с 256 нейронами и функцией активации ReLU, а также регуляризацией L2 со значением 0.001.
+- Слой BatchNormalization для нормализации выходов предыдущего слоя.
+- Слой Dropout с коэффициентом 0.5 для регуляризации.
+- Полносвязный слой с 10 нейронами и функцией активации softmax для классификации изображений на 10 классов, т. е. для цифр от '0' до '9'.
+
+Общее количество параметров 2,624,394.
+
+## Функция потерь и оптимизатор
+<img width="639" alt="Screenshot_6" src="https://user-images.githubusercontent.com/101829424/235925205-8a17223b-e1e4-4b03-a45f-eb3a35b77eeb.png">
+Для задачи многоклассовой классификации была выбрана функция потерь SparseCategoricalCrossentropy, в качестве оптимизатора используется Adam. Для оценки качества используется метрика sparse_categorical_accuracy.
+
+## Результат
+<img width="781" alt="Screenshot_5" src="https://user-images.githubusercontent.com/101829424/235924949-10dc4a1c-1ad1-42d8-bcc5-98d4ed2d2dc0.png">
+Модель имеет защиту от переобучения и имееет совершенную точность для многоклассовой классификации цифр.
+<Программа предос��авляется в виде открытого исходного кода.