ComeçarComece de graça

Compilação de um modelo sequencial

Neste exercício, você trabalhará para classificar as letras do conjunto de dados da Sign Language MNIST; no entanto, você adotará uma arquitetura de rede diferente da usada no exercício anterior. Haverá menos camadas, mas mais nós. Você também aplicará o dropout para evitar o ajuste excessivo. Por fim, você compilará o modelo para usar o otimizador adam e a perda categorical_crossentropy. Você também usará um método em keras para resumir a arquitetura do seu modelo. Observe que keras foi importado de tensorflow para você e que um modelo sequencial de keras foi definido como model.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Na primeira camada densa, defina o número de nós como 16, a ativação como sigmoid e o input_shape como (784,).
  • Aplique o dropout a uma taxa de 25% na saída da primeira camada.
  • Defina a camada de saída para ser densa, ter 4 nós e usar uma função de ativação softmax.
  • Compile o modelo usando um otimizador adam e a função de perda categorical_crossentropy.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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())
Editar e executar o código