Update README.md

README.md

@@ -2,30 +2,30 @@
 library_name: keras
 ---
 
-#Модель для распознования цифр, которая выдает результат %2 от чисел, натренерованна на наборе данных mnist
+Модель для распознования цифр, которая выдает результат %2 от чисел, натренерованна на наборе данных mnist
 
 ![](osnmodel.png)
 
-#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.
+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.
 
 ![](summary.png)
 
-#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.
+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
+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 
+Ниже прикреплены картинки который показывают loss, accuracy на всех трех датасетах 
 
-#Точность accuracy для валидационной и обучающей 
+Точность accuracy для валидационной и обучающей 
 ![](tochnost.png)
 
-#Loss для валидационной и обучающей
+Loss для валидационной и обучающей
 ![](loss.png)
 
-#accuracy и loss для тестовой выборки
+accuracy и loss для тестовой выборки
 ![](test.jpg)