Bygg ett neuralt nätverk
Vi använder biblioteket Keras för att skapa neurala nätverk och träna dem att klassificera bilder. Alla modeller är av typen Sequential, vilket innebär att utdata från ett lager skickas vidare som indata enbart till nästa lager.
I den här övningen skapar du ett neuralt nätverk med Dense-lager, där varje enhet i varje lager är kopplad till alla enheter i föregående lager. Till exempel är varje enhet i det första lagret kopplad till alla pixlar i indatabilderna. Dense-lagerobjektet tar emot antalet enheter i lagret och aktiveringsfunktionen som argument. För det första lagret i nätverket anges även nyckelordsargumentet input_shape.
Den här kursen berör många koncept som du kanske inte har färskt i minnet – om du behöver en snabb repetition kan du ladda ned Keras Cheat Sheet och ha det till hands!
Den här övningen är en del av kursen
Bildmodellering med Keras
Övningsinstruktioner
- Det första lagret tar emot bilder som indata, har 10 enheter och aktivering med
'relu'. - Det andra lagret har 10 enheter och aktivering med
'relu'. - Utdatalagret har en enhet för varje kategori (3 kategorier) och aktivering med
'softmax'.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Imports components from Keras
from keras.models import Sequential
from keras.layers import Dense
# Initializes a sequential model
model = Sequential()
# First layer
model.add(____(10, activation=____, input_shape=(784,)))
# Second layer
model.add(____(____, activation=____))
# Output layer
____