Specificera en modell

Nu får du arbeta med din första modell i Keras – och direkt köra mer avancerade neurala nätverksmodeller på större datamängder jämfört med de två första kapitlen.

Du börjar med att ta ett skelett av ett neuralt nätverk och lägger till ett dolt lager och ett utdatalager. Sedan tränar du modellen och ser hur Keras optimerar den så att den kontinuerligt förbättras.

Som startpunkt ska du förutsäga arbetares timlöner baserat på egenskaper som bransch, utbildning och erfarenhetsnivå. Datamängden finns i en pandas DataFrame kallad df. För enkelhetens skull har allt i df utom målet konverterats till en NumPy-array kallad predictors. Målet, wage_per_hour, finns som en NumPy-array kallad target.

För alla övningar i det här kapitlet har vi importerat modellkonstruktorn Sequential, lagerkonstruktorn Dense och pandas.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Lagra antalet kolumner i predictors-datan i n_cols. Det här steget är redan gjort åt dig.
Skapa en Sequential-modell kallad model.
Använd .add()-metoden på model för att lägga till ett Dense-lager.
- Lägg till 50 noder, ange activation='relu' och sätt parametern input_shape till tupeln (n_cols,) – det innebär att varje rad i datan har n_cols värden, och valfritt antal rader accepteras som indata.
Lägg till ytterligare ett Dense-lager. Det ska ha 32 noder och aktiveringsfunktionen 'relu'.
Lägg slutligen till ett utdatalager – ett Dense-lager med en enda nod. Använd ingen aktiveringsfunktion här.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
____

Redigera och kör kod