Définir un modèle

Vous allez maintenant travailler avec votre premier modèle dans Keras et pourrez tout de suite exécuter des réseaux de neurones plus complexes sur des ensembles de données plus volumineux que dans les deux premiers chapitres.

Pour commencer, vous prendrez l'ossature d'un réseau de neurones et vous y ajouterez une couche cachée et une couche de sortie. Vous entraînerez ensuite ce modèle et verrez Keras réaliser l'optimisation pour que votre modèle s'améliore continuellement.

À titre d'exemple, vous prédirez le salaire horaire de travailleurs en fonction de caractéristiques comme leur secteur d'activité, leur scolarité et leur niveau d'expérience. Vous trouverez l'ensemble de données dans un DataFrame pandas nommé df. Par commodité, tout ce qui se trouve dans df sauf la cible a été converti en un tableau NumPy appelé predictors. La cible, wage_per_hour, est disponible sous forme de tableau NumPy nommé target.

Pour tous les exercices de ce chapitre, nous avons importé le constructeur de modèle Sequential, le constructeur de couche Dense, ainsi que pandas.

Cette activité fait partie du cours

Introduction à Deep Learning en Python

Voir le cours

Instructions de l’exercice

Enregistrez le nombre de colonnes des données predictors dans n_cols. Cela a été fait pour vous.
Commencez par créer un modèle Sequential appelé model.
Utilisez la méthode .add() sur model pour ajouter une couche Dense.
- Ajoutez 50 unités, précisez activation='relu', et indiquez le paramètre input_shape avec le tuple (n_cols,), ce qui signifie qu'il y a n_cols éléments dans chaque rangée de données, et n'importe quel nombre de rangées est accepté en entrée.
Ajoutez une autre couche Dense. Celle-ci doit avoir 32 unités et une activation 'relu'.
Enfin, ajoutez une couche de sortie, soit une couche Dense avec un seul nœud. N'utilisez aucune fonction d'activation ici.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Modifier et exécuter le code