Vytvoř vlastní model pro rozpoznávání číslic

Dostáváš se k závěrečnému cvičení kurzu – teď už máš všechno, co potřebuješ k tomu, aby ses naučil/a sestavit přesný model pro rozpoznávání ručně psaných číslic!

Základní úpravy datasetu MNIST ukázané ve videu jsme už provedli za tebe, takže máš X a y připravené k modelování. Sequential a Dense z tensorflow.keras jsou také předem naimportované.

Aby to bylo zajímavější, načetli jsme pouze 2 500 obrázků místo 60 000, které uvidíš v některých publikovaných výsledcích. Deep learning modely fungují lépe s více daty, ale také se déle trénují – zvláště když se stávají složitějšími.

Pokud máš počítač s GPU kompatibilním s CUDA, můžeš ho využít k urychlení výpočtů. Pokud GPU nemáš, nevadí! Prostředí pro deep learning si můžeš zprovoznit v cloudu a spouštět modely na GPU tam. Podívej se na blog post od Dana, který vysvětluje, jak na to – skvělý další krok na tvé cestě za deep learningem.

Chceš posunout své znalosti deep learningu na vyšší úroveň? Prohlédni si kurz Advanced Deep Learning with Keras, kde se dozvíš, jak funkcionální API Kerasu umožňuje řešit nové typy problémů. Jakmile funkcionální API ovládneš, mrkni na Image Processing with Keras in Python a nauč se aplikace Kerasu zaměřené na zpracování obrázků.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř objekt Sequential jako základ modelu a přiřaď ho do proměnné model.
Přidej první skrytou vrstvu Dense s 50 jednotkami a aktivační funkcí 'relu'. Pro tato data je input_shape rovno (784,).
Přidej druhou skrytou vrstvu Dense s 50 jednotkami a aktivační funkcí 'relu'.
Přidej výstupní vrstvu. Aktivační funkce by měla být 'softmax' a počet uzlů v této vrstvě by měl odpovídat počtu možných výstupů – v tomto případě 10.
Zkompiluj model stejným způsobem jako předchozí modely: použij 'adam' jako optimizer, 'categorical_crossentropy' pro loss a metrics=['accuracy'].
Natrénuj model na datech X a y s validation_split nastaveným na 0.3 a počtem epoch 10.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Upravit a spustit kód