ÎncepețiÎncepe gratuit

Compilarea unui model secvențial

În acest exercițiu, vei lucra la clasificarea literelor din setul de date Sign Language MNIST; totuși, vei folosi o arhitectură de rețea diferită față de cea utilizată în exercițiul anterior. Vei avea mai puține straturi, dar mai mulți noduri. Vei aplica și dropout pentru a preveni supraadaptarea (overfitting). În final, vei compila modelul folosind optimizatorul adam și funcția de pierdere categorical_crossentropy. Vei folosi și o metodă din keras pentru a rezuma arhitectura modelului tău. Rețineți că keras a fost importat din tensorflow, iar un model keras secvențial a fost deja definit ca model.

Acest exercițiu face parte din cursul

Introducere în TensorFlow în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • În primul strat dens, setează numărul de noduri la 16, activarea la sigmoid și input_shape la (784,).
  • Aplică dropout cu o rată de 25% la ieșirea primului strat.
  • Setează stratul de ieșire ca strat dens, cu 4 noduri și funcția de activare softmax.
  • Compilează modelul folosind optimizatorul adam și funcția de pierdere categorical_crossentropy.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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())
Editează și rulează codul