Ajoutez la normalisation par lots à votre réseau

La normalisation par lots est une autre forme de régularisation qui redimensionne les sorties d'une couche afin de 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 neuronal convolutif que nous avons utilisé dans les exercices précédents :

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

Une séquence d'model, ainsi que les objets Dense, Conv2D, Flatten et Dropout sont disponibles dans votre espace de travail.

Cet exercice fait partie du cours

<cours>Modélisation d'images avec Keras</cours>

Voir le cours

Instructions de l’exercice

Ajoutez la première couche convolutive. Vous pouvez utiliser les objets img_rows et img_cols disponibles dans votre espace de travail pour définir l'input_shape de ce calque.
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