ComeçarComece de graça

Compilando um modelo sequencial

Neste exercício, você vai trabalhar na classificação de letras do conjunto de dados Sign Language MNIST; porém, vai adotar uma arquitetura de rede diferente da que usou no exercício anterior. Haverá menos camadas, mas mais nós. Você também aplicará dropout para evitar overfitting. Por fim, você vai compilar o modelo para usar o otimizador adam e a função de perda categorical_crossentropy. Você também usará um método do keras para resumir a arquitetura do seu modelo. Observe que keras já foi importado de tensorflow para você e um modelo sequencial do 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 dropout com taxa de 25% à saída da primeira camada.
  • Defina a camada de saída como densa, com 4 nós, e use a função de ativação softmax.
  • Compile o modelo usando o 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