Crea tu propio modelo de reconocimiento de dígitos

Has llegado al último ejercicio del curso: ¡ya sabes todo lo necesario para construir un modelo preciso que reconozca dígitos escritos a mano!

Ya hemos hecho la preparación básica del conjunto de datos MNIST que viste en el vídeo, así que tienes X y y cargados y listos para modelar. Sequential y Dense de tensorflow.keras también están preimportados.

Para añadir un poco de desafío, hemos cargado solo 2500 imágenes, en lugar de 60000 como verás en algunos resultados publicados. Los modelos de deep learning funcionan mejor con más datos, pero también tardan más en entrenar, especialmente cuando empiezan a volverse más complejos.

Si tienes un ordenador con una GPU compatible con CUDA, puedes aprovecharla para mejorar el tiempo de cómputo. Si no tienes GPU, ¡no pasa nada! Puedes configurar un entorno de deep learning en la nube que ejecute tus modelos en una GPU. Aquí tienes una entrada del blog de Dan que explica cómo hacerlo; échale un vistazo cuando termines este ejercicio. Es un gran siguiente paso para seguir avanzando en tu aprendizaje de deep learning.

¿Listo para llevar tu deep learning al siguiente nivel? Échale un vistazo a Advanced Deep Learning with Keras para ver cómo la API funcional de Keras te permite incorporar conocimiento del dominio y resolver nuevos tipos de problemas. Cuando ya sepas usar la API funcional, echa un vistazo a Image Processing with Keras in Python para aprender aplicaciones de Keras específicas de imagen.

Este ejercicio forma parte del curso

Introducción al Deep Learning en Python

Ver curso

Instrucciones del ejercicio

Crea un objeto Sequential para iniciar tu modelo. Llámalo model.
Añade la primera capa oculta Dense de 50 unidades a tu modelo con activación 'relu'. Para estos datos, el input_shape es (784,).
Añade una segunda capa oculta Dense con 50 unidades y función de activación 'relu'.
Añade la capa de salida. La función de activación debe ser 'softmax' y el número de nodos en esta capa debe ser el mismo que el número de posibles salidas en este caso: 10.
Compila model como en modelos anteriores: usando 'adam' como optimizer, 'categorical_crossentropy' como loss y metrics=['accuracy'].
Ajusta el modelo usando X y y con un validation_split de 0.3 y 10 épocas.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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
____

Editar y ejecutar código