1. Apprendre
    2. /
  2. Cours
    3. /
  3. Introduction à Deep Learning en Python
Connected

Exercice

Créer votre propre modèle de reconnaissance de chiffres

Vous êtes rendu au dernier exercice du cours — vous avez maintenant tout ce qu'il faut pour bâtir un modèle précis de reconnaissance de chiffres manuscrits!

Nous avons déjà effectué la manipulation de base du jeu de données MNIST montrée dans la vidéo, donc X et y sont chargés et prêts pour l'entraînement. Sequential et Dense de tensorflow.keras sont aussi déjà importés.

Pour ajouter un défi supplémentaire, nous avons chargé seulement 2500 images, plutôt que 60000 comme vous le verrez dans certains résultats publiés. Les modèles de deep learning donnent de meilleurs résultats avec plus de données, mais l'entraînement est aussi plus long, surtout quand les modèles deviennent plus complexes.

Si vous avez un ordinateur avec un GPU compatible CUDA, vous pouvez en tirer parti pour accélérer les calculs. Si vous n'avez pas de GPU, pas de souci! Vous pouvez configurer un environnement de deep learning dans le nuage pour exécuter vos modèles sur un GPU. Voici un billet de blogue de Dan qui explique comment faire — jetez-y un coup d'œil après avoir terminé cet exercice! C'est une excellente prochaine étape pour poursuivre votre parcours en deep learning.

Prêt à passer au niveau supérieur en deep learning? Consultez Advanced Deep Learning with Keras pour voir comment l'API fonctionnelle de Keras vous permet d'intégrer des connaissances propres au domaine afin de résoudre de nouveaux types de problèmes. Une fois que vous saurez utiliser l'API fonctionnelle, jetez un œil à Image Processing with Keras in Python pour apprendre les applications de Keras propres aux images.

Instructions

100 XP
  • Créez un objet Sequential pour démarrer votre modèle. Nommez-le model.
  • Ajoutez la première couche cachée Dense de 50 unités à votre modèle avec l'activation 'relu'. Pour ces données, input_shape est (784,).
  • Ajoutez une deuxième couche cachée Dense avec 50 unités et une fonction d'activation 'relu'.
  • Ajoutez la couche de sortie. Votre fonction d'activation doit être 'softmax', et le nombre de nœuds dans cette couche doit correspondre au nombre de sorties possibles dans ce cas : 10.
  • Compilez model comme pour les modèles précédents : utilisez 'adam' comme optimizer, 'categorical_crossentropy' pour la loss, et metrics=['accuracy'].
  • Ajustez le modèle avec X et y en utilisant un validation_split de 0.3 et 10 epochs.