시작하기무료로 시작하기

Sequential 모델 컴파일하기

이번 연습 문제에서는 Sign Language MNIST 데이터셋의 문자를 분류하는 모델을 만들어 볼 거예요. 다만 이전 연습 문제와는 다른 네트워크 아키텍처를 사용할 거예요. 레이어 수는 더 적지만, 노드는 더 많습니다. 과적합을 막기 위해 드롭아웃도 적용할 거예요. 마지막으로 adam 옵티마이저와 categorical_crossentropy 손실을 사용하도록 모델을 컴파일합니다. 또 keras의 메서드를 사용해 모델 아키텍처 요약도 확인할 거예요. 참고로 keras는 tensorflow에서 임포트되어 있으며, 순차형 keras 모델이 model로 정의되어 있어요.

이 연습은 강의의 일부입니다

Python으로 시작하는 TensorFlow

강의 보기

연습 안내

  • 첫 번째 Dense 레이어에서 노드 수를 16으로, 활성화 함수를 sigmoid로, input_shape를 (784,)로 설정하세요.
  • 첫 번째 레이어의 출력에 드롭아웃을 25% 비율로 적용하세요.
  • 출력 레이어는 Dense로 설정하고, 노드 수를 4로 하며, 활성화 함수는 softmax를 사용하세요.
  • 옵티마이저는 adam, 손실 함수는 categorical_crossentropy로 모델을 컴파일하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Print a model summary
print(model.summary())
코드 편집 및 실행