Membangun model pengenalan digit Anda sendiri

Anda telah mencapai latihan terakhir dari kursus ini — sekarang Anda sudah mengetahui semua yang dibutuhkan untuk membangun model yang akurat guna mengenali digit tulisan tangan!

Kami telah melakukan manipulasi dasar pada himpunan data MNIST seperti yang ditunjukkan di video, sehingga Anda sudah memiliki X dan y yang dimuat dan siap digunakan untuk pemodelan. Sequential dan Dense dari tensorflow.keras juga telah diimpor sebelumnya.

Sebagai tantangan tambahan, kami hanya memuat 2500 gambar, bukan 60000 seperti yang akan Anda lihat pada beberapa hasil terbitan. Model deep learning bekerja lebih baik dengan lebih banyak data, namun pelatihannya juga memakan waktu lebih lama, terutama ketika model mulai menjadi lebih kompleks.

Jika Anda memiliki komputer dengan GPU yang kompatibel dengan CUDA, Anda dapat memanfaatkannya untuk meningkatkan waktu komputasi. Jika Anda tidak memiliki GPU, tidak masalah! Anda dapat menyiapkan lingkungan deep learning di cloud yang dapat menjalankan model Anda pada GPU. Berikut adalah sebuah blog post oleh Dan yang menjelaskan cara melakukannya — lihat setelah menyelesaikan latihan ini! Ini adalah langkah lanjutan yang bagus saat Anda melanjutkan perjalanan deep learning Anda.

Siap membawa deep learning Anda ke tingkat berikutnya? Lihat Advanced Deep Learning with Keras untuk melihat bagaimana Keras functional API memungkinkan Anda membangun pengetahuan domain untuk memecahkan jenis permasalahan baru. Setelah Anda mengetahui cara menggunakan functional API, lihat Image Processing with Keras in Python untuk mempelajari penerapan Keras yang khusus untuk pengolahan citra.

Latihan ini adalah bagian dari kursus

Pengantar Deep Learning dengan Python

Lihat Kursus

Petunjuk latihan

Buat objek Sequential untuk memulai model Anda. Sebut objek ini model.
Tambahkan lapisan tersembunyi Dense pertama dengan 50 unit ke model Anda dengan aktivasi 'relu'. Untuk data ini, input_shape adalah (784,).
Tambahkan lapisan tersembunyi Dense kedua dengan 50 unit dan fungsi aktivasi 'relu'.
Tambahkan lapisan keluaran. Fungsi aktivasi Anda harus 'softmax', dan jumlah node pada lapisan ini harus sama dengan jumlah kemungkinan keluaran dalam kasus ini: 10.
Kompilasi model seperti yang telah Anda lakukan pada model sebelumnya: gunakan 'adam' sebagai optimizer, 'categorical_crossentropy' untuk loss, dan metrics=['accuracy'].
Latih (fit) model menggunakan X dan y dengan validation_split sebesar 0.3 dan 10 epochs.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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
____

Edit dan Jalankan Kode