भाग 1: शानदार इनाम जीतने के लिए एंट्री करें
इस अभ्यास में, आप Dense लेयर के बारे में सीखेंगे. चलिए इसे एक मज़ेदार अभ्यास से करते हैं! मान लीजिए एक गेम शो है जहाँ इनाम एक न्यूरल नेटवर्क तय करता है. प्रतिभागी दर्ज करता है
- भाई-बहनों की संख्या,
- आज पी गई कॉफ़ी की संख्या और
- क्या उन्हें टमाटर पसंद हैं या नहीं,
और मॉडल यह प्रिडिक्ट करता है कि प्रतिभागी क्या जीतेगा.
इसे लागू करने के लिए आप Keras का उपयोग करेंगे. आपको ऐसा मॉडल बनाना है जिसमें एक इनपुट लेयर हो जो तीन फीचर्स लेती है (भाई-बहनों की संख्या integer के रूप में, कॉफ़ी की संख्या integer के रूप में, और टमाटर पसंद हैं या नहीं 0 या 1 के रूप में). फिर यह इनपुट एक Dense लेयर से होकर गुजरता है जो 3 probabilities आउटपुट करता है (अर्थात् कार, गिफ्ट वाउचर या कुछ नहीं जीतने की probabilities).
Keras से Input और Dense लेयर्स तथा Model ऑब्जेक्ट पहले से इम्पोर्ट किए गए हैं. आपको init नाम का एक वेट इनिशियलाइज़र भी दिया गया है, जिसे Dense लेयर इनिशियलाइज़ करने के लिए उपयोग करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Keras के साथ Machine Translation
अभ्यास निर्देश
- ऐसा इनपुट लेयर परिभाषित करें जो सिर्फ 3 प्रतिभागियों (batch size) को स्वीकार करे, जहाँ प्रत्येक प्रतिभागी के 3 इनपुट हों: sibling count, कॉफ़ी की संख्या और टमाटर पसंद है या नहीं (input size).
- ऐसी
Denseलेयर परिभाषित करें जिसमें 3 आउटपुट हों,softmaxactivation हो और initializer के रूप मेंinitहो. - परिभाषित मॉडल का उपयोग करके
xके लिए मॉडल प्रिडिक्शंस निकालें. - प्रत्येक प्रतिभागी के लिए सबसे संभावित इनाम (integer के रूप में) प्राप्त करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Define an input layer with batch size 3 and input size 3
inp = Input(____=(____,____))
# Get the output of the 3 node Dense layer
pred = ____(____, ____=____, kernel_initializer=init, bias_initializer=init)(inp)
model = Model(inputs=inp, outputs=pred)
names = ["Mark", "John", "Kelly"]
prizes = ["Gift voucher", "Car", "Nothing"]
x = np.array([[5, 0, 1], [0, 3, 1], [2, 2, 1]])
# Compute the model prediction for x
y = ____.____(____)
# Get the most probable class for each sample
classes = np.____(____, ____)
print("\n".join(["{} has probabilities {} and wins {}".format(n,p,prizes[c]) \
for n,p,c in zip(names, y, classes)]))