Začněte nyníZačněte zdarma

Závlahový stroj

Automatizuješ zálivku zemědělských parcel pomocí inteligentního závlahového stroje. Problémy s multi-label klasifikací se od multi-class klasifikace liší tím, že každé pozorování může být označeno nulou nebo více třídami. Třídy a štítky tedy nejsou vzájemně exkluzivní – závlahu lze spustit pro všechny parcely, žádnou z nich nebo pro libovolnou kombinaci, a to v závislosti na vstupních hodnotách.

Abychom toto chování zohlednili, použijeme výstupní vrstvu s tolika neurony, kolik je tříd – tentokrát však, na rozdíl od multi-class problémů, má každý výstupní neuron aktivační funkci sigmoid. Díky tomu může každý neuron ve výstupní vrstvě nezávisle produkovat číslo v rozsahu 0 až 1.

Model Sequential() a vrstvy Dense() jsou připraveny k použití. Je čas sestavit inteligentní závlahový stroj!

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř instanci modelu Sequential().
  • Přidej skrytou vrstvu s 64 neurony, kde počet vstupních neuronů odpovídá počtu senzorů, a použij aktivaci relu.
  • Přidej výstupní vrstvu s tolika neurony, kolik je parcel, a aktivací sigmoid.
  • Zkompiluj model s optimizátorem adam a ztrátovou funkcí binary_crossentropy.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Upravit a spustit kód