Dein eigenes Modell zur Ziffernerkennung erstellen

Du bist bei der letzten Übung des Kurses angekommen – jetzt weißt du alles, was du brauchst, um ein genaues Modell zur Erkennung handgeschriebener Ziffern zu erstellen!

Die grundlegende Aufbereitung des MNIST-Datensatzes aus dem Video wurde bereits erledigt, sodass X und y geladen und bereit zum Modellieren sind. Sequential und Dense aus tensorflow.keras wurden ebenfalls vorab importiert.

Als zusätzliche Herausforderung haben wir nur 2.500 Bilder geladen statt 60.000, wie du sie in manchen veröffentlichten Ergebnissen siehst. Deep-Learning-Modelle liefern mit mehr Daten bessere Ergebnisse, benötigen dann aber auch mehr Trainingszeit – besonders, wenn sie komplexer werden.

Wenn du einen Computer mit einer CUDA-kompatiblen GPU hast, kannst du diese nutzen, um die Rechenzeit zu verkürzen. Falls du keine GPU hast – kein Problem! Du kannst dir in der Cloud eine Deep-Learning-Umgebung einrichten, die deine Modelle auf einer GPU ausführt. Hier ist ein Blogpost von Dan, der erklärt, wie das geht – schau ihn dir nach dieser Übung an! Das ist ein super nächster Schritt auf deiner Deep-Learning-Reise.

Bereit, dein Deep Learning aufs nächste Level zu bringen? Schau dir Fortgeschrittenes Deep Learning mit Keras an, um zu sehen, wie dir die funktionale API von Keras dabei hilft, Fachwissen aufzubauen und neue Problemarten zu lösen. Sobald du weißt, wie die funktionale API funktioniert, wirf einen Blick auf Bildmodellierung mit Keras, um bildspezifische Anwendungen von Keras kennenzulernen.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit Python

Kurs anzeigen

Anleitung zur Übung

Erstelle ein Sequential-Objekt, um dein Modell zu starten. Nenne es model.
Füge die erste verborgene Dense-Schicht mit 50 Units und 'relu'-Aktivierung hinzu. Für diese Daten ist die input_shape (784,).
Füge eine zweite verborgene Dense-Schicht mit 50 Units und 'relu' als Aktivierungsfunktion hinzu.
Füge die Ausgabeschicht hinzu. Deine Aktivierungsfunktion sollte 'softmax' sein, und die Anzahl der Knoten in dieser Schicht sollte der Anzahl möglicher Ausgaben entsprechen: 10.
Kompiliere model wie bei den vorherigen Modellen: Verwende 'adam' als optimizer, 'categorical_crossentropy' für den Loss und metrics=['accuracy'].
Trainiere das Modell mit X und y mit einem validation_split von 0.3 und 10 Durchläufen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Code bearbeiten und ausführen