Zacznij terazZacznij za darmo

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.

To ćwiczenie jest częścią kursu

Wprowadzenie do TensorFlow w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • 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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Print a model summary
print(model.summary())
Edytuj i uruchom kod