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:
# Available backend options are: "jax", "torch", "tensorflow". import os os.environ["KERAS_BACKEND"] = "jax" import keras model = keras.saving.load_model("hf://JustBlood/Python_Final_Task_Porozov") - Notebooks
- Google Colab
- Kaggle
Порозов Кирилл - Итоговое задание. Вариант №3.
Карточка НС должна содержать:
- Описание задачи которую выполняет НС;
- Изображение послойной архитектуры НС на которой указаны размеры слоя, функция активации;
- Общее количество обучаемых параметров НС;
- Используемый алгоритмы оптимизации и функция ошибки;
- Размеры тренировочного, валидационного и тестового датасетов;
- 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
- Использованная функция ошибки - категориальная кроссэнтропия для повышения качества нейронной сети
- Использованный алгоритм оптимизации - adam из Keras

Размеры тренировочного, валидационного и тестового датасетов:
- Размер тренировочного датаеста: 60.000 фото 28х28
- Размер валидационного датасета: 10% от тренировочного = 6.000 фото 28х28
- Размер тестового датасета: 10.000 фото 28х28
Результаты обучения модели
Наглядная демонстрация предсказаний модели:
- Downloads last month
- -
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support



