Začněte nyníZačněte zdarma

Sekvenční model v Keras

Ve třetí kapitole jsme používali komponenty API keras v tensorflow pro definici neuronové sítě, ale nevyužili jsme plně jeho možnosti pro zjednodušení definice a trénování modelu. V tomto cvičení použiješ sekvenční model API keras k definici neuronové sítě, která dokáže klasifikovat obrázky písmen znakového jazyka. Pomocí metody .summary() si také vypíšeš architekturu modelu, včetně tvaru a počtu parametrů každé vrstvy.

Všimni si, že obrázky byly přetvarovány z rozměru (28, 28) na (784,), aby je bylo možné použít jako vstupy do husté vrstvy. keras je pro tebe již naimportován z tensorflow.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Definuj sekvenční model keras s názvem model.
  • Nastav první vrstvu jako Dense() s 16 uzly a aktivací relu.
  • Definuj druhou vrstvu jako Dense() s 8 uzly a aktivací relu.
  • Nastav výstupní vrstvu na 4 uzly s aktivační funkcí softmax.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define a Keras sequential model
____

# Define the first dense layer
model.add(keras.layers.____(____, activation='____', input_shape=(784,)))

# Define the second dense layer
____

# Define the output layer
model.add(keras.layers.Dense(____))

# Print the model architecture
print(model.summary())
Upravit a spustit kód