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.

Diagnosticando problemas de otimização

Introdução a Deep Learning em Python

exercicio interativo prático