Bouw een neuraal netwerk
We gebruiken de Keras-bibliotheek om neurale netwerken te maken en te trainen om afbeeldingen te classificeren. Deze modellen zijn allemaal van het type Sequential, wat betekent dat de outputs van de ene laag alleen als input aan de volgende laag worden doorgegeven.
In deze oefening maak je een neuraal netwerk met Dense-lagen, waarbij elke unit in elke laag is verbonden met alle units in de vorige laag. Zo is elke unit in de eerste laag verbonden met alle pixels in de invoerafbeeldingen. Het Dense-laagobject krijgt als argumenten het aantal units in die laag en de activatiefunctie voor de units. Voor de eerste laag in het netwerk krijgt het ook het keywordargument input_shape.
Deze cursus raakt veel concepten die je misschien bent vergeten. Heb je een snelle opfrisser nodig? Download dan de Keras Cheat Sheet en houd ’m bij de hand!
Deze oefening maakt deel uit van de cursus
Beeldmodellering met Keras
Oefeninstructies
- De eerste laag ontvangt afbeeldingen als input, heeft 10 units en
'relu'-activatie. - De tweede invoerlaag heeft 10 units en
'relu'-activatie. - De uitvoerlaag heeft één unit per categorie (3 categorieën) en
'softmax'-activatie.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Imports components from Keras
from keras.models import Sequential
from keras.layers import Dense
# Initializes a sequential model
model = Sequential()
# First layer
model.add(____(10, activation=____, input_shape=(784,)))
# Second layer
model.add(____(____, activation=____))
# Output layer
____