Construiește propriul tău model de recunoaștere a cifrelor

Ai ajuns la ultimul exercițiu al cursului – acum știi tot ce îți trebuie pentru a construi un model precis care recunoaște cifre scrise de mână!

Am realizat deja manipulările de bază ale setului de date MNIST prezentate în lecție, astfel că ai X și y încărcate și pregătite pentru modelare. Sequential și Dense din tensorflow.keras sunt, de asemenea, pre-importate.

Pentru un plus de provocare, am încărcat doar 2.500 de imagini, în loc de 60.000, care apare în unele rezultate publicate. Modelele de învățare profundă performează mai bine cu mai multe date, însă necesită și mai mult timp de antrenare, mai ales pe măsură ce devin mai complexe.

Dacă ai un computer cu un GPU compatibil CUDA, îl poți folosi pentru a reduce timpul de calcul. Dacă nu ai un GPU, nicio problemă! Poți configura un mediu de învățare profundă în cloud care să ruleze modelele pe un GPU. Iată un articol de blog scris de Dan, care explică cum să faci asta – consultă-l după ce termini acest exercițiu! Este un pas excelent pentru a-ți continua parcursul în domeniul învățării profunde.

Ești gata să duci învățarea profundă la nivelul următor? Explorează Advanced Deep Learning with Keras pentru a vedea cum API-ul funcțional Keras îți permite să valorifici cunoștințele de domeniu și să rezolvi noi tipuri de probleme. Odată ce știi să folosești API-ul funcțional, aruncă o privire la Image Processing with Keras in Python pentru a învăța aplicații Keras specifice procesării imaginilor.

Acest exercițiu face parte din cursul

Introducere în Deep Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează un obiect Sequential pentru a-ți începe modelul. Numește-l model.
Adaugă primul strat ascuns Dense cu 50 de unități și activare 'relu'. Pentru aceste date, input_shape este (784,).
Adaugă un al doilea strat ascuns Dense cu 50 de unități și funcția de activare 'relu'.
Adaugă stratul de ieșire. Funcția de activare trebuie să fie 'softmax', iar numărul de noduri din acest strat trebuie să fie egal cu numărul de rezultate posibile, în acest caz: 10.
Compilează model ca în exercițiile anterioare: folosește 'adam' ca optimizer, 'categorical_crossentropy' pentru pierdere și metrics=['accuracy'].
Antrenează modelul folosind X și y, cu un validation_split de 0.3 și 10 epoci.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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
____

Editează și rulează codul