Ein Modell definieren

Nun arbeitest du mit deinem ersten Keras-Modell und kannst direkt komplexere neuronale Netze auf größeren Datensätzen ausführen als in den ersten beiden Kapiteln.

Zunächst nimmst du das Grundgerüst eines neuronalen Netzes und fügst eine versteckte Schicht und eine Ausgabeschicht hinzu. Anschließend passt du das Modell an und beobachtest, wie Keras die Optimierung übernimmt, sodass dein Modell kontinuierlich besser wird.

Als Einstieg sagst du den Stundenlohn von Beschäftigten anhand von Merkmalen wie Branche, Ausbildung und Erfahrungsniveau voraus. Du findest den Datensatz in einem pandas DataFrame namens df. Der Einfachheit halber wurde alles in df außer dem Ziel in ein NumPy-Array namens predictors umgewandelt. Das Ziel, wage_per_hour, ist als NumPy-Array namens target verfügbar.

Für alle Übungen in diesem Kapitel haben wir den Sequential-Modellkonstruktor, den Dense-Schichtkonstruktor und pandas importiert.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit Python

Kurs anzeigen

Anleitung zur Übung

Speichere die Anzahl der Spalten in den predictors-Daten in n_cols. Das wurde bereits für dich erledigt.
Erstelle zunächst ein Sequential-Modell namens model.
Verwende die Methode .add() auf model, um eine Dense-Schicht hinzuzufügen.
- Füge 50 Units hinzu, setze activation='relu', und gib den Parameter input_shape als Tupel (n_cols,) an. Das bedeutet: In jeder Zeile der Daten gibt es n_cols Elemente, und es kann eine beliebige Anzahl von Zeilen als Eingabe verwendet werden.
Füge eine weitere Dense-Schicht hinzu. Diese sollte 32 Units und eine 'relu'-Aktivierung haben.
Füge schließlich eine Ausgabeschicht hinzu, also eine Dense-Schicht mit einem einzelnen Knoten. Verwende hierbei keine Aktivierungsfunktion.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Code bearbeiten und ausführen