Construire un réseau neuronal
Nous utiliserons la bibliothèque Keras pour créer des réseaux neuronaux et les entraîner à classer des images. Ces modèles seront tous de type « Sequential », ce qui signifie que les sorties d'une couche sont fournies comme entrées uniquement à la couche suivante.
Dans cet exercice, vous allez créer un réseau neuronal avec des couches Dense, ce qui signifie que chaque unité de chaque couche est connectée à toutes les unités de la couche précédente. Par exemple, chaque unité de la première couche est connectée à tous les pixels des images d'entrée. L'objet de couche « Dense » reçoit comme arguments le nombre d'unités dans cette couche et la fonction d'activation pour les unités. Pour la première couche du réseau, il reçoit également un argument clé de type « input_shape ».
Ce cours aborde de nombreux concepts que vous avez peut-être oubliés. Si vous avez besoin d'un rappel rapide, téléchargez l'aide-mémoire Keras et gardez-le à portée de main.
Cet exercice fait partie du cours
Modélisation d'images avec Keras
Instructions
- La première couche reçoit les images en entrée, comporte 10 unités et une activation de type «
'relu'». - La deuxième couche d'entrée comporte 10 unités et une activation de type «
'relu'». - La couche de sortie comporte une unité pour chaque catégorie (3 catégories) et une activation de type «
'softmax'».
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Imports components from Keras
from keras.models import Sequential
from keras.layers import Dense
# Initializes a sequential model
model = Sequential()
# First layer
model.add(____(10, activation=____, input_shape=(784,)))
# Second layer
model.add(____(____, activation=____))
# Output layer
____