การเพิ่มเลเยอร์ให้กับโครงข่าย

เราได้เรียนรู้วิธีทดลองกับโครงข่ายที่กว้างขึ้นแล้ว ในแบบฝึกหัดนี้ จะลองสร้างโครงข่ายที่ลึกขึ้น (เพิ่มจำนวน hidden layer)

โมเดลพื้นฐานชื่อ model_1 ถูกเตรียมไว้ให้เป็นจุดเริ่มต้น โดยมี hidden layer 1 ชั้น และ 10 units สามารถดูสรุปโครงสร้างของโมเดลนี้ได้จากผลลัพธ์ที่แสดงอยู่ จากนั้นจะสร้างโครงข่ายที่คล้ายกัน แต่มี hidden layer 3 ชั้น (โดยยังคงใช้ 10 units ในแต่ละชั้น)

การ fit โมเดลทั้งสองจะใช้เวลาสักครู่ ดังนั้นรอสักไม่กี่วินาทีหลังรันโค้ดเพื่อดูผลลัพธ์

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Introduction to Deep Learning in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างโมเดลชื่อ model_2 ให้มีลักษณะเดียวกับ model_1 แต่เปลี่ยนเป็น hidden layer 3 ชั้น ชั้นละ 10 units แทนที่จะมีเพียงชั้นเดียว
- ใช้ input_shape เพื่อระบุ input shape ใน hidden layer ชั้นแรก
- ใช้ activation 'relu' สำหรับ hidden layer ทั้ง 3 ชั้น และใช้ 'softmax' สำหรับ output layer ซึ่งควรมี 2 units
Compile model_2 เช่นเดียวกับที่ทำกับโมเดลก่อนหน้า โดยใช้ 'adam' เป็น optimizer, 'categorical_crossentropy' สำหรับ loss และ metrics=['accuracy']
กด 'ส่งคำตอบ' เพื่อ fit โมเดลทั้งสองและดูว่าโมเดลใดให้ผลลัพธ์ที่ดีกว่า!

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# The input shape to use in the first hidden layer
input_shape = (n_cols,)

# Create the new model: model_2
model_2 = ____

# Add the first, second, and third hidden layers
____
____
____

# Add the output layer
____

# Compile model_2
____

# Fit model 1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Fit model 2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()

แก้ไขและรันโค้ด