Especificando um modelo

Agora você vai trabalhar com seu primeiro modelo no Keras e já poderá executar redes neurais mais complexas em conjuntos de dados maiores em comparação com os dois primeiros capítulos.

Para começar, você vai pegar o esqueleto de uma rede neural e adicionar uma camada oculta e uma camada de saída. Em seguida, vai ajustar esse modelo e ver o Keras fazer a otimização para que seu modelo melhore continuamente.

Como ponto de partida, você vai prever o salário por hora de trabalhadores com base em características como setor, escolaridade e nível de experiência. Você encontra o conjunto de dados em um DataFrame do pandas chamado df. Para facilitar, tudo em df, exceto o alvo, foi convertido em um array do NumPy chamado predictors. O alvo, wage_per_hour, está disponível como um array do NumPy chamado target.

Em todos os exercícios deste capítulo, já importamos o construtor de modelo Sequential, o construtor de camadas Dense e o pandas.

Este exercício faz parte do curso

Introdução a Deep Learning em Python

Ver curso

Instruções do exercício

Armazene o número de colunas dos dados predictors em n_cols. Isso já foi feito para você.
Comece criando um modelo Sequential chamado model.
Use o método .add() em model para adicionar uma camada Dense.
- Adicione 50 unidades, especifique activation='relu' e defina o parâmetro input_shape como a tupla (n_cols,), o que significa que há n_cols itens em cada linha dos dados, e qualquer número de linhas é aceitável como entrada.
Adicione outra camada Dense. Ela deve ter 32 unidades e ativação 'relu'.
Por fim, adicione uma camada de saída, que é uma camada Dense com um único nó. Não use nenhuma função de ativação aqui.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Editar e executar o código