1. Learn
    2. /
  2. Cursuri
    3. /
  3. Wprowadzenie do uczenia głębokiego w Pythonie
Connected

exercițiu

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.

Instrucțiuni

100 XP
  • 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.