Začněte nyníZačněte zdarma

Kompilace sekvenčního modelu

V tomto cvičení budeš klasifikovat písmena z datové sady Sign Language MNIST, ale použiješ jinou architekturu sítě než v předchozím cvičení. Vrstev bude méně, ale uzlů více. Aplikuješ také dropout, aby se model nepřetrénoval. Nakonec model zkompoluješ s optimizerem adam a ztrátovou funkcí categorical_crossentropy. Pomocí metody v keras si také zobrazíš souhrn architektury modelu. Všimni si, že keras je již naimportován z tensorflow a sekvenční model keras je definován jako model.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • V první husté vrstvě nastav počet uzlů na 16, aktivaci na sigmoid a input_shape na (784,).
  • Na výstup první vrstvy aplikuj dropout s mírou 25 %.
  • Výstupní vrstvu nastav jako hustou se 4 uzly a aktivační funkcí softmax.
  • Zkompiluj model s optimizerem adam a ztrátovou funkcí categorical_crossentropy.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

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