Añadir capas a una red

Ya has visto cómo experimentar con redes más anchas. En este ejercicio, probarás una red más profunda (con más capas ocultas).

De nuevo, tienes un modelo base llamado model_1 como punto de partida. Tiene 1 capa oculta con 10 unidades. Puedes ver un resumen de la estructura de ese modelo impreso. Crearás una red similar con 3 capas ocultas (manteniendo 10 unidades en cada capa).

Volverá a tardar un momento en ajustar ambos modelos, así que tendrás que esperar unos segundos para ver los resultados después de ejecutar tu código.

Este ejercicio forma parte del curso

Introducción al Deep Learning en Python

Ver curso

Instrucciones del ejercicio

Especifica un modelo llamado model_2 parecido a model_1, pero que tenga 3 capas ocultas de 10 unidades en lugar de solo 1 capa oculta.
- Usa input_shape para indicar la forma de entrada en la primera capa oculta.
- Usa activación 'relu' para las 3 capas ocultas y 'softmax' para la capa de salida, que debe tener 2 unidades.
Compila model_2 como has hecho con modelos anteriores: usando 'adam' como optimizer, 'categorical_crossentropy' para la pérdida y metrics=['accuracy'].
Pulsa "Submit Answer" para ajustar ambos modelos y visualizar cuál da mejores resultados.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# The input shape to use in the first hidden layer
input_shape = (n_cols,)

# Create the new model: model_2
model_2 = ____

# Add the first, second, and third hidden layers
____
____
____

# Add the output layer
____

# Compile model_2
____

# Fit model 1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Fit model 2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()

Editar y ejecutar código