Ajouter la normalisation par lots à votre réseau

La normalisation par lots est une autre forme de régularisation qui remet à l'échelle les sorties d'une couche pour s'assurer qu'elles ont une moyenne de 0 et un écart-type de 1. Dans cet exercice, nous allons ajouter la normalisation par lots au réseau de neurones convolutionnel utilisé dans les exercices précédents :

Convolution (15 unités, taille de noyau 2, activation « relu »)
Normalisation par lots
Convolution (5 unités, taille de noyau 2, activation « relu »)
Aplatir (Flatten)
Dense (3 unités, activation « softmax »)

Un model séquentiel ainsi que les objets Dense, Conv2D, Flatten et Dropout sont disponibles dans votre espace de travail.

Cette activité fait partie du cours

Modélisation d'images avec Keras

Voir le cours

Instructions de l’exercice

Ajoutez la première couche de convolution. Vous pouvez utiliser les objets img_rows et img_cols disponibles dans votre espace de travail pour définir le input_shape de cette couche.
Ajoutez la normalisation par lots appliquée aux sorties de la première couche.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Add a convolutional layer
____


# Add batch normalization layer
____

# Add another convolutional layer
model.add(Conv2D(5, kernel_size=2, activation='relu'))

# Flatten and feed to output layer
model.add(Flatten())
model.add(Dense(3, activation='softmax'))

Modifier et exécuter le code