Mulai sekarangMulai gratis

Sebuah mesin irigasi

Anda akan mengotomatisasi penyiraman petak-petak lahan dengan membuat mesin irigasi cerdas. Permasalahan multi-label berbeda dari multi-class karena setiap observasi dapat diberi label nol atau lebih kelas. Jadi kelas/label tidak saling eksklusif; Anda bisa menyiram semua, tidak ada, atau kombinasi apa pun dari petak lahan berdasarkan masukan.

Untuk mengakomodasi perilaku ini, kita menggunakan layer keluaran dengan jumlah neuron sebanyak kelas, tetapi kali ini, berbeda dengan masalah multi-class, setiap neuron keluaran memiliki fungsi aktivasi sigmoid. Hal ini membuat setiap neuron pada layer keluaran dapat menghasilkan angka antara 0 dan 1 secara independen.

Model Sequential() dan layer Dense() sudah siap digunakan. Saatnya membangun mesin irigasi cerdas!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Lihat Kursus

Instruksi latihan

  • Instansiasikan model Sequential().
  • Tambahkan layer tersembunyi dengan 64 neuron, jumlah neuron masukan sesuai jumlah sensor, dan aktivasi relu.
  • Tambahkan layer keluaran dengan jumlah neuron sesuai jumlah petak dan aktivasi sigmoid.
  • Kompilasi model Anda dengan optimizer adam dan loss binary_crossentropy.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Edit dan Jalankan Kode