1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do TensorFlow w Pythonie
Connected

ćwiczenie

Kompilowanie modelu sekwencyjnego

W tym ćwiczeniu będziesz pracować nad klasyfikacją liter ze zbioru danych Sign Language MNIST, stosując inną architekturę sieci niż w poprzednim ćwiczeniu. Tym razem użyjesz mniej warstw, ale więcej węzłów. Zastosujesz również dropout, aby zapobiec przeuczeniu. Na koniec skompilujesz model z optymalizatorem adam i funkcją straty categorical_crossentropy. Skorzystasz też z metody biblioteki keras do wyświetlenia podsumowania architektury modelu. Zwróć uwagę, że keras zostało zaimportowane z tensorflow, a sekwencyjny model keras jest już zdefiniowany jako model.

Instrukcje

100 XP
  • W pierwszej warstwie gęstej ustaw liczbę węzłów na 16, aktywację na sigmoid, a input_shape na (784,).
  • Zastosuj dropout o współczynniku 25% na wyjściu pierwszej warstwy.
  • Ustaw warstwę wyjściową jako gęstą z 4 węzłami i funkcją aktywacji softmax.
  • Skompiluj model, używając optymalizatora adam i funkcji straty categorical_crossentropy.