Zacznij terazZacznij za darmo

Maszyna nawadniająca

Zautomatyzujesz nawadnianie działek rolnych, budując inteligentną maszynę nawadniającą. Problemy klasyfikacji wieloetykietowej różnią się od klasyfikacji wieloklasowej tym, że każdej obserwacji można przypisać zero lub więcej klas. Klasy i etykiety nie wykluczają się wzajemnie – możesz nawadniać wszystkie działki, żadną lub dowolną ich kombinację, zależnie od danych wejściowych.

Aby to odzwierciedlić, warstwa wyjściowa ma tyle neuronów, ile jest klas – ale tym razem, inaczej niż w problemach wieloklasowych, każdy neuron wyjściowy używa funkcji aktywacji sigmoid. Dzięki temu każdy neuron w warstwie wyjściowej może niezależnie zwracać wartość z zakresu od 0 do 1.

Model Sequential() i warstwy Dense() są gotowe do użycia. Czas zbudować inteligentną maszynę nawadniającą!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz model Sequential().
  • Dodaj ukrytą warstwę z 64 neuronami, z tyloma neuronami wejściowymi, ile jest czujników, i funkcją aktywacji relu.
  • Dodaj warstwę wyjściową z tyloma neuronami, ile jest działek, i funkcją aktywacji sigmoid.
  • Skompiluj model z optymalizatorem adam i funkcją straty binary_crossentropy.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Edytuj i uruchom kod