BaşlayınÜcretsiz Başlayın

Kendi rakam tanıma modelini oluşturma

Kursun son egzersizine geldin — artık el yazısı rakamları tanıyacak doğru bir model kurmak için gereken her şeyi biliyorsun!

Videoda gösterilen MNIST veri kümesi üzerinde temel işlemleri zaten yaptık; bu yüzden modellemeye hazır X ve y yüklü durumda. tensorflow.keras içinden Sequential ve Dense de önceden içe aktarılmış durumda.

Ek bir meydan okuma olsun diye, bazı yayımlanmış sonuçlarda göreceğin 60000 yerine yalnızca 2500 görsel yükledik. Deep learning modelleri daha fazla veride daha iyi performans gösterir; ancak veri arttıkça, özellikle modeller karmaşıklaştıkça eğitim süreleri de uzar.

CUDA uyumlu GPU'ya sahip bir bilgisayarın varsa, hesaplama süresini iyileştirmek için bundan yararlanabilirsin. GPU'n yoksa da sorun değil! Modellerini GPU üzerinde çalıştırabilecek bulut tabanlı bir deep learning ortamı kurabilirsin. Bunu nasıl yapacağını anlatan Dan'in şu blog yazısına bu egzersizi tamamladıktan sonra göz at — deep learning yolculuğuna devam ederken harika bir sonraki adım.

Deep learning becerilerini bir üst seviyeye taşımaya hazır mısın? Keras'ın fonksiyonel API'sinin yeni tür problemleri çözmek için alan bilgisini nasıl modele dahil etmene izin verdiğini görmek için Advanced Deep Learning with Keras kursuna göz at. Fonksiyonel API'yi nasıl kullanacağını öğrendikten sonra, Keras'ın görsele özgü uygulamalarını öğrenmek için Image Processing with Keras in Python kursuna bakabilirsin.

Bu egzersiz

Python ile Deep Learning'e Giriş

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Modeline başlamak için bir Sequential nesnesi oluştur. Adı model olsun.
  • Modele 'relu' aktivasyonlu, 50 birimli ilk Dense gizli katmanını ekle. Bu veri için input_shape değeri (784,).
  • 50 birimli ve 'relu' aktivasyonlu ikinci bir Dense gizli katmanı ekle.
  • Çıktı katmanını ekle. Aktivasyon fonksiyonu 'softmax' olmalı ve bu katmandaki düğüm sayısı olası çıktı sayısıyla aynı olmalı: 10.
  • model'i önceki modellerde yaptığın gibi derle: optimizer olarak 'adam', kayıp fonksiyonu olarak 'categorical_crossentropy' ve metrics=['accuracy'] kullan.
  • Modeli X ve y ile, validation_split değeri 0.3 ve epochs değeri 10 olacak şekilde eğit.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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
____
Kodu Düzenle ve Çalıştır