LoslegenKostenlos starten

Ziffern lernen

Du baust jetzt ein Modell auf dem digits dataset auf, einem Beispiel-Datensatz, der in scikit-learn bereits enthalten ist. Das digits dataset besteht aus 8x8-Pixel-Bildern handgeschriebener Ziffern von 0 bis 9:

Du möchtest anhand eines Bildes zwischen den 10 möglichen Ziffern unterscheiden, es handelt sich also um eine Multiklassen-Klassifikation.

Der Datensatz wurde bereits in X_train, y_train, X_test und y_test aufgeteilt, wobei 30 % der Daten als Testdaten verwendet werden. Die Labels sind bereits One-Hot-encodierte Vektoren, du musst Keras to_categorical() also nicht verwenden.

Lass uns dieses neue model bauen!

Diese Übung ist Teil des Kurses

<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>
Kurs ansehen

Übungsanweisungen

  • Füge eine Dense-Schicht mit 16 Neuronen, relu-Aktivierung und einem input_shape hinzu, das die Gesamtzahl der Pixel des 8x8-Ziffernbildes aufnimmt.
  • Füge eine Dense-Schicht mit 10 Ausgaben und softmax-Aktivierung hinzu.
  • Kompiliere dein Modell mit adam, categorical_crossentropy und der Metrik accuracy.
  • Prüfe, ob dein Modell funktioniert, indem du auf X_train vorhersagst.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Instantiate a Sequential model
model = Sequential()

# Input and hidden layer with input_shape, 16 neurons, and relu 
model.add(Dense(____, input_shape = (____,), activation = ____))

# Output layer with 10 neurons (one per digit) and softmax
model.____(____)

# Compile your model
model.____(optimizer = ____, loss = ____, metrics = [____])

# Test if your model is well assembled by predicting before training
print(model.predict(____))
Code bearbeiten und ausführen