शुरू करेंमुफ़्त में शुरू करें

Sequential मॉडल को compile करना

इस अभ्यास में, आप Sign Language MNIST डेटासेट से अक्षरों का वर्गीकरण करने की दिशा में काम करेंगे; हालाँकि, आप पिछले अभ्यास से अलग नेटवर्क आर्किटेक्चर अपनाएँगे. लेयर कम होंगी, लेकिन नोड्स अधिक होंगे. आप overfitting से बचने के लिए dropout भी लागू करेंगे. अंत में, आप मॉडल को adam optimizer और categorical_crossentropy loss के साथ compile करेंगे. आप अपने मॉडल की आर्किटेक्चर का सारांश निकालने के लिए keras में उपलब्ध एक मेथड का भी उपयोग करेंगे. ध्यान दें कि आपके लिए tensorflow से keras इम्पोर्ट किया जा चुका है और एक sequential keras मॉडल model नाम से परिभाषित है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में TensorFlow परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • पहली dense लेयर में, नोड्स की संख्या 16 रखें, activation sigmoid रखें, और input_shape (784,) रखें.
  • पहली लेयर के आउटपुट पर 25% की दर से dropout लागू करें.
  • आउटपुट लेयर को dense रखें, उसमें 4 नोड्स हों, और softmax activation फंक्शन का उपयोग करें.
  • मॉडल को adam optimizer और categorical_crossentropy loss फंक्शन के साथ compile करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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())
कोड संपादित करें और चलाएँ