शुरू करेंमुफ़्त में शुरू करें

नेटवर्क में लेयर्स जोड़ना

आपने देखा कि चौड़े नेटवर्क पर कैसे प्रयोग किया जाता है। इस अभ्यास में, आप एक गहरा नेटवर्क (ज़्यादा hidden लेयर्स) आज़माएँगे।

आपके पास फिर से एक बेसलाइन मॉडल model_1 नाम से शुरुआती बिंदु के रूप में मौजूद है। इसमें 1 hidden लेयर है, जिसमें 10 यूनिट्स हैं। उस मॉडल की संरचना का सारांश प्रिंट होकर दिखाया गया है। आप उसी तरह का एक नेटवर्क बनाएँगे जिसमें 3 hidden लेयर्स होंगी (हर लेयर में अब भी 10 यूनिट्स रहेंगे)।

दोनों मॉडलों को फिट करने में फिर थोड़ी देर लगेगी, इसलिए जब आप अपना कोड चलाएँगे तो परिणाम देखने के लिए कुछ सेकंड इंतज़ार करना पड़ेगा।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Deep Learning परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • model_1 जैसा ही, लेकिन 1 hidden लेयर की जगह 10 यूनिट्स वाली 3 hidden लेयर्स के साथ model_2 नाम का मॉडल निर्दिष्ट करें।
    • पहली hidden लेयर में इनपुट शेप बताने के लिए input_shape का उपयोग करें।
    • 3 hidden लेयर्स के लिए 'relu' एक्टिवेशन और आउटपुट लेयर के लिए 'softmax' का उपयोग करें, जिसमें 2 यूनिट्स हों।
  • model_2 को पहले की तरह कम्पाइल करें: optimizer के लिए 'adam', loss के लिए 'categorical_crossentropy', और metrics=['accuracy']।
  • दोनों मॉडलों को फिट करने और यह देखने के लिए कि कौन बेहतर परिणाम देता है, 'उत्तर सबमिट करें' दबाएँ!

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# The input shape to use in the first hidden layer
input_shape = (n_cols,)

# Create the new model: model_2
model_2 = ____

# Add the first, second, and third hidden layers
____
____
____

# Add the output layer
____

# Compile model_2
____

# Fit model 1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Fit model 2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()
कोड संपादित करें और चलाएँ