Créer votre propre modèle de reconnaissance numérique

Vous avez atteint le dernier exercice du cours. Vous savez désormais tout ce qu'il faut pour créer un modèle précis permettant de reconnaître des chiffres manuscrits.

Nous avons déjà effectué les manipulations de base du jeu de données MNIST présentées dans la vidéo. Vous disposez donc des fichiers X et y, prêts à être modélisés. Les fichiers Sequential et Dense provenant de tensorflow.keras ont également été pré-importés.

Pour ajouter un défi supplémentaire, nous n'avons chargé que 2 500 images, au lieu des 60 000 que vous verrez dans certains résultats publiés. Les modèles d'apprentissage profond sont plus performants lorsqu'ils disposent d'un volume de données plus important. Cependant, leur apprentissage est plus long, en particulier lorsqu'ils deviennent plus complexes.

Si vous disposez d'un ordinateur équipé d'un processeur graphique compatible CUDA, vous pouvez en tirer parti pour améliorer le temps de calcul. Si vous ne disposez pas d'un GPU, ce n'est pas un problème. Vous pouvez configurer un environnement d'apprentissage profond dans le cloud capable d'exécuter vos modèles sur un GPU. Voici un article de blog rédigé par Dan qui explique comment procéder. Nous vous invitons à le consulter une fois cet exercice terminé. Il s'agit d'une excellente étape suivante dans votre parcours d'apprentissage approfondi.

Êtes-vous prêt à passer au niveau supérieur en matière d'apprentissage profond ? Consultez la section Apprentissage profond avancé avec Keras pour découvrir comment l'API fonctionnelle Keras vous permet d'acquérir des connaissances spécifiques à un domaine afin de résoudre de nouveaux types de problèmes. Une fois que vous savez comment utiliser l'API fonctionnelle, veuillez consulter Traitement d'images avec Keras en Python pour découvrir les applications spécifiques à l'image de Keras.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Créez un objet Sequential pour démarrer votre modèle. Veuillez appeler ce numéro : model.
Ajoutez la première couche cachée d'Dense s de 50 unités à votre modèle avec l'activation 'relu'. Pour ces données, l'adresse de l'input_shape est (784,).
Ajoutez une deuxième couche cachée d'Dense s avec des unités de 50 et une fonction d'activation de type « 'relu' ».
Ajoutez la couche de sortie. Votre fonction d'activation doit être « 'softmax' » et le nombre de nœuds dans cette couche doit être identique au nombre de sorties possibles dans ce cas : « 10 ».
Compilez model comme vous l'avez fait pour les modèles précédents : En utilisant 'adam' comme optimizer, 'categorical_crossentropy' pour la perte et metrics=['accuracy'].
Ajustez le modèle à l'aide de X et y en utilisant un validation_split de 0.3 et 10 époques.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Modifier et exécuter le code