Crea il tuo modello per riconoscere le cifre

Sei arrivato all’ultimo esercizio del corso: ormai sai tutto ciò che serve per costruire un modello accurato per riconoscere le cifre scritte a mano!

Abbiamo già eseguito la manipolazione di base dell’insieme di dati MNIST mostrata nel video, quindi hai X e y caricati e pronti per il modelling. Anche Sequential e Dense da tensorflow.keras sono già importati.

Per aggiungere un po’ di sfida, abbiamo caricato solo 2500 immagini, invece delle 60000 che vedrai in alcuni risultati pubblicati. I modelli di deep learning rendono meglio con più dati, ma richiedono anche più tempo per l’addestramento, soprattutto quando iniziano a diventare più complessi.

Se hai un computer con una GPU compatibile con CUDA, puoi sfruttarla per migliorare i tempi di calcolo. Se non hai una GPU, nessun problema! Puoi configurare un ambiente di deep learning nel cloud che esegua i tuoi modelli su GPU. Ecco un post del blog di Dan che spiega come fare: dagli un’occhiata dopo aver completato questo esercizio! È un ottimo passo successivo mentre prosegui nel tuo percorso di deep learning.

Vuoi portare il tuo deep learning al livello successivo? Dai un’occhiata a Advanced Deep Learning with Keras per vedere come la functional API di Keras ti permette di incorporare conoscenza del dominio per risolvere nuovi tipi di problemi. Una volta che sai usare la functional API, guarda Image Processing with Keras in Python per imparare le applicazioni di Keras specifiche per le immagini.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Crea un oggetto Sequential per iniziare il modello. Chiamalo model.
Aggiungi al modello il primo layer nascosto Dense con 50 unità e attivazione 'relu'. Per questi dati, l’input_shape è (784,).
Aggiungi un secondo layer nascosto Dense con 50 unità e funzione di attivazione 'relu'.
Aggiungi il layer di output. La funzione di attivazione dovrebbe essere 'softmax' e il numero di nodi in questo layer deve essere uguale al numero di possibili output in questo caso: 10.
Compila model come hai fatto per i modelli precedenti: usando 'adam' come optimizer, 'categorical_crossentropy' per la loss e metrics=['accuracy'].
Addestra il modello usando X e y con un validation_split di 0.3 e 10 epoche.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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
____

Modifica ed esegui il codice