Kom igångKom igång gratis

Den sekventiella modellen i Keras

I kapitel 3 använde vi komponenter från keras-API:et i tensorflow för att definiera ett neuralt nätverk, men vi utnyttjade inte dess fulla kapacitet för att förenkla modelldefinition och träning. I den här övningen använder du keras sekventiella modell-API för att definiera ett neuralt nätverk som kan klassificera bilder av teckenspråksbokstäver. Du använder också metoden .summary() för att skriva ut modellens arkitektur, inklusive form och antal parametrar för varje lager.

Observera att bilderna har omformats från (28, 28) till (784,) så att de kan användas som indata till ett tätt lager. Notera också att keras redan har importerats från tensorflow åt dig.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Definiera en sekventiell keras-modell med namnet model.
  • Sätt det första lagret till Dense() med 16 noder och aktiveringsfunktionen relu.
  • Definiera det andra lagret som Dense() med 8 noder och aktiveringsfunktionen relu.
  • Sätt utdatalagret till 4 noder och använd aktiveringsfunktionen softmax.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define a Keras sequential model
____

# Define the first dense layer
model.add(keras.layers.____(____, activation='____', input_shape=(784,)))

# Define the second dense layer
____

# Define the output layer
model.add(keras.layers.Dense(____))

# Print the model architecture
print(model.summary())
Redigera och kör kod