Zacznij terazZacznij za darmo

Rozpoznawanie cyfr

Zbudujesz model na podstawie zbioru danych digits, przykładowego zbioru danych dołączonego do scikit-learn. Zbiór danych digits zawiera odręcznie napisane cyfry od 0 do 9 w formacie 8x8 pikseli:

Zadanie polega na rozróżnieniu każdej z 10 możliwych cyfr na podstawie obrazu – mamy więc do czynienia z klasyfikacją wieloklasową.

Zbiór danych został już podzielony na X_train, y_train, X_test i y_test, przy czym 30% danych przeznaczono na zbiór testowy. Etykiety są już zakodowane jako wektory one-hot, więc nie musisz używać funkcji to_categorical() z Keras.

Zbudujmy nowy model!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Dodaj warstwę Dense z 16 neuronami, aktywacją relu i parametrem input_shape odpowiadającym łącznej liczbie pikseli obrazu cyfry 8x8.
  • Dodaj warstwę Dense z 10 wyjściami i aktywacją softmax.
  • Skompiluj model, używając optymalizatora adam, funkcji straty categorical_crossentropy i metryki accuracy.
  • Sprawdź, czy model działa poprawnie, wykonując predykcję na zbiorze X_train.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate a Sequential model
model = Sequential()

# Input and hidden layer with input_shape, 16 neurons, and relu 
model.add(Dense(____, input_shape = (____,), activation = ____))

# Output layer with 10 neurons (one per digit) and softmax
model.____(____)

# Compile your model
model.____(optimizer = ____, loss = ____, metrics = [____])

# Test if your model is well assembled by predicting before training
print(model.predict(____))
Edytuj i uruchom kod