НачатьНачать бесплатно

Компиляция последовательной модели

В этом упражнении вы продолжите работу по классификации букв из набора данных Sign Language MNIST, однако используете другую архитектуру сети. В ней будет меньше слоёв, но больше нейронов. Вы также применяете дропаут для предотвращения переобучения. В завершение скомпилируйте модель с оптимизатором adam и функцией потерь categorical_crossentropy, а затем воспользуйтесь методом keras для вывода сводки архитектуры модели. Обратите внимание: keras уже импортирован из tensorflow, а последовательная модель keras определена как model.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

  • В первом плотном слое задайте количество нейронов равным 16, функцию активации — sigmoid, а input_shape — (784,).
  • Примените дропаут с коэффициентом 25% к выходным данным первого слоя.
  • Выходной слой должен быть плотным, содержать 4 нейрона и использовать функцию активации softmax.
  • Скомпилируйте модель с оптимизатором adam и функцией потерь categorical_crossentropy.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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())
Редактировать и запускать код