Bygg en egen modell för sifferigenkänning

Du har nått kursens sista övning – nu har du allt du behöver för att bygga en noggrann modell som känner igen handskrivna siffror!

Vi har redan gjort den grundläggande bearbetningen av MNIST-datamängden som visades i videon, så X och y är inladdade och redo att användas. Sequential och Dense från tensorflow.keras är också förimporterade.

För att göra det lite mer utmanande har vi bara laddat in 2 500 bilder, i stället för de 60 000 som du kan se i vissa publicerade resultat. Djupinlärningsmodeller presterar bättre med mer data, men de tar också längre tid att träna – särskilt när de blir mer komplexa.

Har du en dator med ett CUDA-kompatibelt GPU kan du dra nytta av det för att snabba upp beräkningarna. Har du inget GPU är det inget problem! Du kan sätta upp en djupinlärningsmiljö i molnet som kör dina modeller på ett GPU. Här finns ett blogginlägg av Dan som förklarar hur du gör det – ta en titt när du är klar med den här övningen!

Vill du fördjupa dig ytterligare i djupinlärning? Kolla in Advanced Deep Learning with Keras för att se hur Keras funktionella API låter dig tillämpa domänkunskap för att lösa nya typer av problem. När du behärskar det funktionella API:et kan du gå vidare till Image Processing with Keras in Python för att lära dig bildspecifika tillämpningar i Keras.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Skapa ett Sequential-objekt för att starta modellen. Kalla det model.
Lägg till det första dolda Dense-lagret med 50 enheter och aktiveringen 'relu'. För dessa data är input_shape lika med (784,).
Lägg till ett andra dolt Dense-lager med 50 enheter och aktiveringsfunktionen 'relu'.
Lägg till utdatalagret. Aktiveringsfunktionen ska vara 'softmax' och antalet noder i lagret ska motsvara antalet möjliga utfall – i det här fallet 10.
Kompilera model på samma sätt som tidigare: använd 'adam' som optimizer, 'categorical_crossentropy' för förlusten och metrics=['accuracy'].
Träna modellen med X och y, en validation_split på 0.3 och 10 epoker.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

Redigera och kör kod