Model sekwencyjny w Keras
W rozdziale 3. korzystaliśmy z komponentów API keras w bibliotece tensorflow, aby zdefiniować sieć neuronową – nie wykorzystaliśmy jednak w pełni jego możliwości do uproszczenia definiowania i trenowania modelu. W tym ćwiczeniu użyjesz sekwencyjnego API modelu keras, aby zdefiniować sieć neuronową do klasyfikacji obrazów liter języka migowego. Skorzystasz też z metody .summary(), która wyświetla architekturę modelu – w tym kształt i liczbę parametrów każdej warstwy.
Zwróć uwagę, że obrazy zostały przekształcone z kształtu (28, 28) do (784,), aby mogły służyć jako dane wejściowe dla warstwy gęstej. Biblioteka keras została już zaimportowana z tensorflow.
To ćwiczenie jest częścią kursu
Wprowadzenie do TensorFlow w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj sekwencyjny model
keraso nazwiemodel. - Ustaw pierwszą warstwę jako
Dense()z 16 węzłami i aktywacjąrelu. - Zdefiniuj drugą warstwę jako
Dense()z 8 węzłami i aktywacjąrelu. - Ustaw warstwę wyjściową tak, aby miała 4 węzły i korzystała z funkcji aktywacji
softmax.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Define a Keras sequential model
____
# Define the first dense layer
model.add(keras.layers.____(____, activation='____', input_shape=(784,)))
# Define the second dense layer
____
# Define the output layer
model.add(keras.layers.Dense(____))
# Print the model architecture
print(model.summary())