Описание модели

Теперь вы начнёте работать с первой моделью в Keras и сразу сможете применять более сложные нейронные сети к большим наборам данных — в отличие от первых двух глав.

Для начала вы возьмёте заготовку нейронной сети и добавите к ней скрытый слой и выходной слой. Затем вы обучите модель и посмотрите, как Keras оптимизирует её — с каждым шагом результаты будут становиться лучше.

В качестве задачи вы будете предсказывать заработную плату работников на основе таких признаков, как отрасль, уровень образования и опыт работы. Набор данных доступен в виде DataFrame библиотеки pandas — переменная df. Для удобства все столбцы df, кроме целевого, преобразованы в массив NumPy с именем predictors. Целевая переменная wage_per_hour доступна как массив NumPy с именем target.

Во всех упражнениях этой главы уже импортированы конструктор модели Sequential, конструктор слоя Dense и библиотека pandas.

Это упражнение является частью курса

Введение в глубокое обучение на Python

Посмотреть курс

Инструкции к упражнению

Сохраните количество столбцов в данных predictors в переменную n_cols. Эта строка уже написана за вас.
Создайте модель Sequential и присвойте её переменной model.
Используйте метод .add() объекта model, чтобы добавить слой Dense.
- Задайте 50 нейронов, укажите activation='relu' и параметр input_shape равным кортежу (n_cols,) — это означает, что каждая строка данных содержит n_cols признаков, а количество строк может быть произвольным.
Добавьте ещё один слой Dense. В нём должно быть 32 нейрона и активация 'relu'.
Наконец, добавьте выходной слой — слой Dense с одним нейроном. Функцию активации здесь указывать не нужно.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Редактировать и запускать код