Updated training

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+weights/weights.data-00000-of-00001 filter=lfs diff=lfs merge=lfs -text

app.py

@@ -5,8 +5,8 @@ from tensorflow import keras
 
 model = keras.models.Sequential([
   keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
-  keras.layers.Dense(64, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 64 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
-  keras.layers.Dense(64, activation='relu'),     
+  keras.layers.Dense(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)
+  keras.layers.Dense(512, activation='relu'),     
   keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
 ])
 

training.py

@@ -7,8 +7,8 @@ x_test = x_test / 255.0
 
 model = keras.models.Sequential([
   keras.layers.Flatten(input_shape=(28, 28)),      # Diese Schicht nimmt unser 2D-Bild und verwandelt es in ein 1D-Array
-  keras.layers.Dense(64, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 64 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)   
-  keras.layers.Dense(64, activation='relu'),   
+  keras.layers.Dense(512, activation='relu'),       # Als Nächstes kommen zwei Schichten mit 512 künstlichen Neuronen. Als Funktion wählen wir 'relu' f(x) = max(0,x)   
+  keras.layers.Dense(512, activation='relu'),   
   keras.layers.Dense(10,  activation='softmax')    # Die letzte Schicht besteht aus 10 Neuronen, die für unsere 10 Zahlen stehen. Die 'softmax' Funktion wandelt die Ergebnisse der vorherigen Schicht in Wahrscheinlichkeiten
 ])
 
@@ -16,6 +16,6 @@ model.compile(optimizer=keras.optimizers.Adam(0.001),
               loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
               metrics=[keras.metrics.SparseCategoricalAccuracy()])
 
-model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=3) 
+model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 
 
 model.save_weights('./weights/weights')