EmpezarEmpieza gratis

Una máquina de riego

Vas a automatizar el riego de parcelas agrícolas construyendo una máquina de riego inteligente. Los problemas de clasificación multi-etiqueta se diferencian de los de multi-clase en que cada observación puede etiquetarse con cero o más clases. Así que las clases/etiquetas no son mutuamente excluyentes: podrías regar todas, ninguna o cualquier combinación de parcelas según las entradas.

Para reflejar este comportamiento, usamos una capa de salida con tantas neuronas como clases pero, esta vez, a diferencia de los problemas multi-clase, cada neurona de salida tiene una función de activación sigmoid. Esto permite que cada neurona de la salida dé de forma independiente un número entre 0 y 1.

El modelo Sequential() y las capas Dense() están listos para usarse. ¡Es hora de construir una máquina de riego inteligente!

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

Ver curso

Instrucciones del ejercicio

  • Instancia un modelo Sequential().
  • Añade una capa oculta de 64 neuronas con tantas neuronas de entrada como sensores y activación relu.
  • Añade una capa de salida con tantas neuronas como parcelas y activación sigmoid.
  • Compila tu modelo con el optimizador adam y la pérdida binary_crossentropy.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Editar y ejecutar código