Kom igångKom igång gratis

Kompilera en sekventiell modell

I den här övningen arbetar du med att klassificera bokstäver från Sign Language MNIST-datamängden, men med en annan nätverksarkitektur än i föregående övning. Modellen har färre lager men fler noder. Du applicerar även dropout för att motverka överanpassning. Slutligen kompilerar du modellen med optimeraren adam och förlustfunktionen categorical_crossentropy. Du använder också en metod i keras för att sammanfatta modellens arkitektur. Observera att keras redan har importerats från tensorflow och att en sekventiell keras-modell har definierats som model.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • I det första täta lagret anger du antalet noder till 16, aktiveringen till sigmoid och input_shape till (784,).
  • Applicera dropout med en andel på 25 % på det första lagrets utdata.
  • Ange att utdatalagret ska vara tätt, ha 4 noder och använda aktiveringsfunktionen softmax.
  • Kompilera modellen med optimeraren adam och förlustfunktionen categorical_crossentropy.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())
Redigera och kör kod