Spécifier un modèle

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

Pour commencer, vous prendrez l’ossature d’un réseau de neurones et y ajouterez une couche cachée et une couche de sortie. Vous ajusterez ensuite ce modèle et verrez Keras optimiser automatiquement afin que votre modèle s’améliore en continu.

Pour débuter, vous prédirez le salaire horaire de travailleurs à partir de caractéristiques comme leur secteur d’activité, leur niveau d’études et leur expérience. Vous trouverez le jeu de données dans un DataFrame pandas nommé df. Pour plus de 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 appelé target.

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

Cet exercice fait partie du cours

Introduction au Deep Learning en Python

Afficher le cours

Instructions

Stockez le nombre de colonnes des données predictors dans n_cols. Cela a été fait pour vous.
Commencez par créer un modèle Sequential nommé model.
Utilisez la méthode .add() sur model pour ajouter une couche Dense.
- Ajoutez 50 unités, spécifiez activation='relu', et le paramètre input_shape comme étant le tuple (n_cols,), ce qui signifie qu’il y a n_cols éléments dans chaque ligne de données, et n’importe quel nombre de lignes est acceptable en entrée.
Ajoutez une autre couche Dense. Elle doit comporter 32 unités et une activation 'relu'.
Enfin, ajoutez une couche de sortie, qui est une couche Dense avec un seul nœud. N’utilisez aucune fonction d’activation ici.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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