Definiowanie modelu

Czas na pracę z pierwszym modelem w Keras! Od razu przekonasz się, że możesz budować bardziej złożone sieci neuronowe i pracować na większych zbiorach danych niż w poprzednich rozdziałach.

Na początek weźmiesz szkielet sieci neuronowej i dodasz do niego warstwę ukrytą oraz warstwę wyjściową. Następnie nauczysz ten model i zobaczysz, jak Keras optymalizuje go krok po kroku.

W tym ćwiczeniu będziesz przewidywać zarobki pracowników na podstawie cech takich jak branża, wykształcenie i poziom doświadczenia. Zbiór danych znajdziesz w DataFrame biblioteki pandas o nazwie df. Dla wygody wszystkie kolumny df z wyjątkiem zmiennej docelowej zostały przekonwertowane do tablicy NumPy o nazwie predictors. Zmienna docelowa, wage_per_hour, jest dostępna jako tablica NumPy o nazwie target.

We wszystkich ćwiczeniach tego rozdziału zaimportowano już konstruktor modelu Sequential, konstruktor warstwy Dense oraz bibliotekę pandas.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zapisz liczbę kolumn w danych predictors do zmiennej n_cols. Ten krok został już wykonany.
Utwórz model Sequential o nazwie model.
Użyj metody .add() na obiekcie model, aby dodać warstwę Dense.
- Dodaj 50 jednostek, ustaw activation='relu' oraz parametr input_shape jako krotkę (n_cols,) – oznacza to, że każdy wiersz danych ma n_cols cech, a model akceptuje dowolną liczbę wierszy.
Dodaj kolejną warstwę Dense z 32 jednostkami i aktywacją 'relu'.
Na koniec dodaj warstwę wyjściową – czyli warstwę Dense z jednym węzłem. Nie używaj tutaj żadnej funkcji aktywacji.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Edytuj i uruchom kod