Construindo seu próprio modelo de reconhecimento de dígitos

Você chegou ao exercício final do curso — agora sabe tudo o que precisa para construir um modelo preciso para reconhecer dígitos manuscritos!

Já fizemos a manipulação básica do conjunto de dados MNIST mostrada no vídeo, então X e y estão carregados e prontos para modelar. Sequential e Dense de tensorflow.keras também já estão importados.

Para deixar mais desafiador, carregamos apenas 2500 imagens, em vez de 60000, como você verá em alguns resultados publicados. Modelos de deep learning têm melhor desempenho com mais dados; no entanto, também levam mais tempo para treinar, especialmente quando ficam mais complexos.

Se você tem um computador com GPU compatível com CUDA, pode aproveitá-la para melhorar o tempo de computação. Se não tiver GPU, sem problema! Você pode configurar um ambiente de deep learning na nuvem para executar seus modelos em uma GPU. Aqui está um post no blog do Dan que explica como fazer isso — confira depois de concluir este exercício! É um ótimo próximo passo para continuar sua jornada em deep learning.

Pronto para levar seu deep learning ao próximo nível? Confira Advanced Deep Learning with Keras para ver como a API funcional do Keras permite incorporar conhecimento de domínio para resolver novos tipos de problemas. Depois que você souber usar a API funcional, dê uma olhada em Image Processing with Keras in Python para aprender aplicações de Keras específicas para imagens.

Este exercício faz parte do curso

Introdução a Deep Learning em Python

Ver curso

Instruções do exercício

Crie um objeto Sequential para iniciar seu modelo. Chame-o de model.
Adicione a primeira camada oculta Dense com 50 unidades ao seu modelo, com ativação 'relu'. Para estes dados, o input_shape é (784,).
Adicione uma segunda camada oculta Dense com 50 unidades e função de ativação 'relu'.
Adicione a camada de saída. Sua função de ativação deve ser 'softmax', e o número de nós nessa camada deve ser igual ao número de saídas possíveis neste caso: 10.
Compile o model como nos modelos anteriores: usando 'adam' como optimizer, 'categorical_crossentropy' como loss e metrics=['accuracy'].
Ajuste o modelo usando X e y, com validation_split de 0.3 e 10 epochs.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Editar e executar o código