Ein neuronales Netzwerk aufbauen
Wir werden die Bibliothek „ Keras “ verwenden, um neuronale Netze zu erstellen und diese neuronalen Netze für die Klassifizierung von Bildern zu trainieren. Alle diese Modelle sind vom Typ „ Sequential “, was bedeutet, dass die Ausgaben einer Schicht nur als Eingaben für die nächste Schicht dienen.
In dieser Übung baust du ein neuronales Netzwerk mit „ Dense “-Schichten auf, was bedeutet, dass jede Einheit in jeder Schicht mit allen Einheiten in der vorherigen Schicht verbunden ist. Zum Beispiel ist jede Einheit in der ersten Schicht mit allen Pixeln in den Eingangsbildern verbunden. Das Objekt „ Dense “ bekommt als Argumente die Anzahl der Einheiten in dieser Schicht und die Aktivierungsfunktion für die Einheiten. Für die erste Schicht im Netzwerk wird auch ein Schlüsselwortargument „ input_shape “ übergeben.
In diesem Kurs werden viele Konzepte angesprochen, die du vielleicht vergessen hast. Wenn du also mal schnell was auffrischen musst, lade dir das Keras-Spickzettel herunter und halte es griffbereit!
Diese Übung ist Teil des Kurses
Bildmodellierung mit Keras
Anleitung zur Übung
- Die erste Schicht nimmt Bilder als Input, hat 10 Einheiten und eine Aktivierung vom Typ „
'relu'“. - Die zweite Eingabeschicht hat 10 Einheiten und eine Aktivierung vom Typ „
'relu'“. - Die Ausgabeschicht hat eine Einheit für jede Kategorie (3 Kategorien) und eine Aktivierung vom Typ „
'softmax'“.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Imports components from Keras
from keras.models import Sequential
from keras.layers import Dense
# Initializes a sequential model
model = Sequential()
# First layer
model.add(____(10, activation=____, input_shape=(784,)))
# Second layer
model.add(____(____, activation=____))
# Output layer
____