เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคอมไพล์โมเดลแบบ Sequential

ในแบบฝึกหัดนี้ คุณจะฝึกจำแนกตัวอักษรจากชุดข้อมูล Sign Language MNIST โดยใช้สถาปัตยกรรมโครงข่ายที่แตกต่างจากแบบฝึกหัดก่อนหน้า โมเดลนี้จะมีเลเยอร์น้อยลงแต่มีโหนดมากขึ้น นอกจากนี้ยังมีการใช้ dropout เพื่อป้องกัน overfitting จากนั้นจะคอมไพล์โมเดลโดยใช้ optimizer แบบ adam และฟังก์ชัน loss แบบ categorical_crossentropy และใช้เมธอดใน keras เพื่อสรุปสถาปัตยกรรมของโมเดล โดย keras ถูก import จาก tensorflow ให้แล้ว และมีการกำหนดโมเดล keras แบบ sequential ไว้ในตัวแปร model

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

TensorFlow เบื้องต้นใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใน dense layer แรก ให้กำหนดจำนวนโหนดเป็น 16 การ activation เป็น sigmoid และ input_shape เป็น (784,)
  • ใช้ dropout ในอัตรา 25% กับผลลัพธ์ของเลเยอร์แรก
  • กำหนด output layer ให้เป็น dense มี 4 โหนด และใช้ฟังก์ชัน activation แบบ softmax
  • คอมไพล์โมเดลโดยใช้ optimizer แบบ adam และฟังก์ชัน loss แบบ categorical_crossentropy

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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())
แก้ไขและรันโค้ด