Fixed merge

training.py

@@ -1,4 +1,3 @@
-<<<<<<< HEAD
 from tensorflow import keras
 
 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
@@ -19,23 +18,4 @@ model.compile(optimizer=keras.optimizers.Adam(0.001),
 
 model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=3) 
 
-=======
-from tensorflow import keras
-
-(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
-
-x_train = x_train / 255.0
-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(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
-])
-
-model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
-model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=6) 
-
->>>>>>> 1f82054bee2ed11c23599ab720a05335eb2d9499
 model.save_weights('./weights/weights')