Ein Modell angeben
Jetzt kannst du mit deinem ersten Modell in Keras loslegen und sofort komplexere neuronale Netzwerke auf größeren Datensätzen ausprobieren als in den ersten beiden Kapiteln.
Zuerst nimmst du das Grundgerüst eines neuronalen Netzwerks und fügst eine versteckte Schicht und eine Ausgabeschicht hinzu. Dann passt du das Modell an und siehst, wie Keras die Optimierung durchführt, sodass dein Modell immer besser wird.
Zuerst schätzt du die Löhne der Mitarbeiter anhand von Merkmalen wie Branche, Ausbildung und Erfahrung. 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 Modellkonstruktor „ Sequential “, den Layer-Konstruktor „ Dense “ und pandas importiert.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
Speicher die Anzahl der Spalten in den Daten „
predictors“ unter „n_cols“. Das haben wir für dich getan.Erstell zuerst ein „
Sequential”-Modell namens „model”.Füge mit der Methode „
.add()“ auf „model“ eine Ebene „Dense“ hinzu.- Füge die Einheit „
50“ hinzu, gib „activation='relu'“ an und setze den Parameter „input_shape“ auf das Tupel „(n_cols,)“. Das heißt, dass jede Zeile der Daten „n_cols“ Elemente hat und beliebig viele Zeilen als Eingabe akzeptiert werden.
- Füge die Einheit „
Füge noch eine weitere Ebene „
Dense“ hinzu. Das sollte die Einheiten „32“ und die Aktivierung „'relu'“ haben.Zum Schluss fügen wir noch eine Ausgabeschicht hinzu, die aus einer „
Dense“-Schicht mit einem einzigen Knoten besteht. Verwende hier keine Aktivierungsfunktion.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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
____