Compiler un modèle séquentiel

Dans cet exercice, vous allez travailler sur la classification de lettres du jeu de données Sign Language MNIST, mais avec une architecture de réseau différente de celle de l’exercice précédent. Il y aura moins de couches, mais davantage de nœuds. Vous appliquerez également du dropout pour éviter le surapprentissage. Enfin, vous compilerez le modèle avec l’optimiseur adam et la fonction de perte categorical_crossentropy. Vous utiliserez aussi une méthode de keras pour résumer l’architecture de votre modèle. Notez que keras a été importé depuis tensorflow pour vous et qu’un modèle séquentiel keras a été défini sous le nom model.

Cet exercice fait partie du cours

<cours>Introduction à TensorFlow en Python</cours>

Instructions de l’exercice

Dans la première couche dense, définissez le nombre de nœuds à 16, l’activation à sigmoid, et input_shape à (784,).
Appliquez un dropout à un taux de 25 % à la sortie de la première couche.
Définissez la couche de sortie comme dense, avec 4 nœuds, et une fonction d’activation softmax.
Compilez le modèle avec l’optimiseur adam et la fonction de perte categorical_crossentropy.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Print a model summary
print(model.summary())

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Introduction à TensorFlow en Python</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Before you can build advanced models in TensorFlow 2, you will first need to understand the basics. In this chapter, you’ll learn how to define constants and variables, perform tensor addition and multiplication, and compute derivatives. Knowledge of linear algebra will be helpful, but not necessary.

Exercise 1: Constants and variables Exercise 2: Defining data as constants Exercise 3: Defining variables Exercise 4: Basic operations Exercise 5: Performing element-wise multiplication Exercise 6: Making predictions with matrix multiplication Exercise 7: Summing over tensor dimensions Exercise 8: Advanced operations Exercise 9: Reshaping tensors Exercise 10: Optimizing with gradients Exercise 11: Working with image data

In this chapter, you will learn how to build, solve, and make predictions with models in TensorFlow 2. You will focus on a simple class of models – the linear regression model – and will try to predict housing prices. By the end of the chapter, you will know how to load and manipulate data, construct loss functions, perform minimization, make predictions, and reduce resource use with batch training.

Exercise 1: Input data Exercise 2: Load data using pandas Exercise 3: Setting the data type Exercise 4: Loss functions Exercise 5: Loss functions in TensorFlow Exercise 6: Modifying the loss function Exercise 7: Linear regression Exercise 8: Set up a linear regression Exercise 9: Train a linear model Exercise 10: Multiple linear regression Exercise 11: Batch training Exercise 12: Preparing to batch train Exercise 13: Training a linear model in batches

The previous chapters taught you how to build models in TensorFlow 2. In this chapter, you will apply those same tools to build, train, and make predictions with neural networks. You will learn how to define dense layers, apply activation functions, select an optimizer, and apply regularization to reduce overfitting. You will take advantage of TensorFlow's flexibility by using both low-level linear algebra and high-level Keras API operations to define and train models.

Exercise 1: Dense layers Exercise 2: The linear algebra of dense layers Exercise 3: The low-level approach with multiple examples Exercise 4: Using the dense layer operation Exercise 5: Activation functions Exercise 6: Binary classification problems Exercise 7: Multiclass classification problems Exercise 8: Optimizers Exercise 9: The dangers of local minima Exercise 10: Avoiding local minima Exercise 11: Training a network in TensorFlow Exercise 12: Initialization in TensorFlow Exercise 13: Defining the model and loss function Exercise 14: Training neural networks with TensorFlow

In the final chapter, you'll use high-level APIs in TensorFlow 2 to train a sign language letter classifier. You will use both the sequential and functional Keras APIs to train, validate, make predictions with, and evaluate models. You will also learn how to use the Estimators API to streamline the model definition and training process, and to avoid errors.

Exercise 1: Définir des réseaux de neurones avec Keras Exercise 2: Le modèle séquentiel avec Keras Exercise 3: Compiler un modèle séquentiel

Exercice actuel

Exercise 4: Définir un modèle à entrées multiples Exercise 5: Entraînement et validation avec Keras Exercise 6: Entraîner avec Keras Exercise 7: Métriques et validation avec Keras Exercise 8: Détection du surapprentissage Exercise 9: Évaluer des modèles Exercise 10: Entraîner des modèles avec l’API Estimators Exercise 11: Préparer l’entraînement avec les Estimators Exercise 12: Définir des Estimators Exercise 13: Félicitations !