Definování modelu

Teď si vyzkoušíš práci s prvním modelem v Kerasu a hned uvidíš, že dokážeš spouštět složitější modely neuronových sítí na větších datasetech než v prvních dvou kapitolách.

Nejprve doplníš kostru neuronové sítě o skrytou vrstvu a výstupní vrstvu. Pak model natrénuješ a uvidíš, jak za tebe Keras provede optimalizaci, takže se model průběžně zlepšuje.

Konkrétně budeš předpovídat mzdy pracovníků na základě vlastností, jako jsou jejich odvětví, vzdělání a délka praxe. Dataset najdeš v pandas DataFrame s názvem df. Pro pohodlí bylo vše v df kromě cílové proměnné převedeno na NumPy pole nazvané predictors. Cílová proměnná wage_per_hour je dostupná jako NumPy pole s názvem target.

Pro všechna cvičení v této kapitole jsou již naimportovány konstruktory Sequential a Dense i pandas.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Ulož počet sloupců dat predictors do proměnné n_cols. Tento krok už je hotový.
Vytvoř Sequential model a pojmenuj ho model.
Pomocí metody .add() na objektu model přidej vrstvu Dense.
- Nastav 50 jednotek, zadej activation='relu' a parametr input_shape jako n-tici (n_cols,), která říká, že každý řádek dat má n_cols hodnot a počet řádků může být libovolný.
Přidej další vrstvu Dense. Ta by měla mít 32 jednotek a aktivaci 'relu'.
Nakonec přidej výstupní vrstvu – jde o vrstvu Dense s jediným uzlem. Zde žádnou aktivační funkci nepoužívej.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Upravit a spustit kód