शुरू करेंमुफ़्त में शुरू करें

अपना खुद का डिजिट रिकग्निशन मॉडल बनाना

आप कोर्स के अंतिम अभ्यास तक पहुँच गए हैं — अब आपके पास हस्तलिखित अंकों को पहचानने के लिए एक सटीक मॉडल बनाने की सारी ज़रूरी समझ है!

वीडियो में दिखाई गई MNIST डेटासेट की बेसिक प्रोसेसिंग हम पहले ही कर चुके हैं, इसलिए आपके पास मॉडलिंग के लिए X और y लोड होकर तैयार हैं. tensorflow.keras से Sequential और Dense भी पहले से इम्पोर्टेड हैं.

थोड़ी अतिरिक्त चुनौती के लिए, हमने 60000 की जगह केवल 2500 इमेज लोड की हैं, जैसा कि आप कुछ पब्लिश्ड रिज़ल्ट्स में देखेंगे. डीप लर्निंग मॉडल ज़्यादा डेटा पर बेहतर प्रदर्शन करते हैं, लेकिन ट्रेनिंग में समय भी अधिक लगता है, खासकर जब वे अधिक जटिल होने लगते हैं.

अगर आपके कंप्यूटर में CUDA-कम्पैटिबल GPU है, तो आप computation समय बेहतर करने के लिए उसका लाभ उठा सकते हैं. अगर आपके पास GPU नहीं है, तो भी कोई समस्या नहीं! आप क्लाउड में ऐसा डीप लर्निंग वातावरण सेट कर सकते हैं जो आपके मॉडल्स को GPU पर चला सके. यहाँ Dan का एक blog post है जिसमें यह सेटअप समझाया गया है — इस अभ्यास के बाद ज़रूर देखें! यह आपकी डीप लर्निंग यात्रा में अगला बेहतरीन कदम है.

क्या आप अपनी डीप लर्निंग को अगले स्तर पर ले जाने के लिए तैयार हैं? देखें Advanced Deep Learning with Keras कि Keras की functional API आपको नए प्रकार की समस्याएँ सुलझाने के लिए डोमेन नॉलेज कैसे बनाने देती है. एक बार जब आप functional API का उपयोग करना सीख लें, तो Image Processing with Keras in Python पर नज़र डालें ताकि Keras के इमेज-विशिष्ट एप्लीकेशन्स सीख सकें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Deep Learning परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • अपने मॉडल की शुरुआत करने के लिए एक Sequential ऑब्जेक्ट बनाएँ. इसे model कहें.
  • अपने मॉडल में 50 यूनिट्स और 'relu' एक्टिवेशन वाली पहली Dense हिडन लेयर जोड़ें. इस डेटा के लिए input_shape (784,) है.
  • दूसरी Dense हिडन लेयर जोड़ें जिसमें 50 यूनिट्स हों और एक्टिवेशन फंक्शन 'relu' हो.
  • आउटपुट लेयर जोड़ें. एक्टिवेशन फंक्शन 'softmax' होना चाहिए, और इस लेयर में नोड्स की संख्या इस केस के संभावित आउटपुट्स के बराबर होनी चाहिए: 10.
  • model को वैसे ही कंपाइल करें जैसे पिछले मॉडलों में किया था: optimizer के रूप में 'adam', लॉस के लिए 'categorical_crossentropy', और metrics=['accuracy'].
  • X और y का उपयोग करके मॉडल को फिट करें, validation_split 0.3 रखें और epochs 10 रखें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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
____
कोड संपादित करें और चलाएँ