LoslegenKostenlos loslegen

Ein sequenzielles Modell kompilieren

In dieser Übung arbeitest du darauf hin, Buchstaben aus dem Sign Language MNIST-Datensatz zu klassifizieren. Dabei verwendest du jedoch eine andere Netzwerkarchitektur als in der vorherigen Übung: Es gibt weniger Schichten, aber mehr Knoten. Außerdem setzt du Dropout ein, um Overfitting zu vermeiden. Abschließend kompilierst du das Modell mit dem Optimizer adam und der Loss-Funktion categorical_crossentropy. Zusätzlich verwendest du eine Methode in keras, um die Architektur deines Modells zusammenzufassen. Beachte: keras wurde für dich aus tensorflow importiert und ein sequenzielles keras-Modell wurde als model definiert.

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Kurs anzeigen

Anleitung zur Übung

  • Setze in der ersten dichten Schicht die Anzahl der Knoten auf 16, die Aktivierung auf sigmoid und das input_shape auf (784,).
  • Wende Dropout mit einer Rate von 25 % auf die Ausgabe der ersten Schicht an.
  • Setze die Ausgabeschicht auf dense, mit 4 Knoten, und verwende die Aktivierungsfunktion softmax.
  • Kompiliere das Modell mit dem Optimizer adam und der Loss-Funktion categorical_crossentropy.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Print a model summary
print(model.summary())
Code bearbeiten und ausführen