Menambahkan lapisan ke jaringan

Anda telah melihat cara bereksperimen dengan jaringan yang lebih lebar. Dalam latihan ini, Anda akan mencoba jaringan yang lebih dalam (lebih banyak lapisan tersembunyi).

Sekali lagi, Anda memiliki model dasar bernama model_1 sebagai titik awal. Model ini memiliki 1 lapisan tersembunyi dengan 10 unit. Anda dapat melihat ringkasan struktur model tersebut yang dicetak. Anda akan membuat jaringan serupa dengan 3 lapisan tersembunyi (masih menggunakan 10 unit di setiap lapisan).

Proses pemodelan untuk keduanya akan memakan waktu sejenak, jadi Anda perlu menunggu beberapa detik untuk melihat hasilnya setelah Anda menjalankan kode.

Latihan ini adalah bagian dari kursus

Pengantar Deep Learning dengan Python

Lihat Kursus

Petunjuk latihan

Tentukan model bernama model_2 yang mirip dengan model_1, tetapi memiliki 3 lapisan tersembunyi berisi 10 unit, alih-alih hanya 1 lapisan tersembunyi.
- Gunakan input_shape untuk menentukan bentuk masukan pada lapisan tersembunyi pertama.
- Gunakan aktivasi 'relu' untuk ketiga lapisan tersembunyi dan 'softmax' untuk lapisan keluaran, yang harus memiliki 2 unit.
Kompilasi model_2 seperti yang telah Anda lakukan pada model sebelumnya: gunakan 'adam' sebagai optimizer, 'categorical_crossentropy' untuk loss, dan metrics=['accuracy'].
Tekan 'Kirim Jawaban' untuk melatih kedua model dan memvisualisasikan mana yang memberikan hasil lebih baik!

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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()

Edit dan Jalankan Kode