Ağa katman ekleme

Daha geniş ağlarla nasıl denemeler yapılacağını gördün. Bu egzersizde daha derin bir ağı (daha fazla gizli katman) deneyeceksin.

Yine başlangıç noktası olarak model_1 adlı bir temel modelin var. Bu modelde 10 birimli 1 gizli katman bulunuyor. Modelin yapısına ait bir özet çıktısı yazdırılıyor. Her katmanda yine 10 birim olacak şekilde 3 gizli katmanlı benzer bir ağ oluşturacaksın.

Her iki modeli eğitmek yine biraz zaman alacak; kodunu çalıştırdıktan sonra sonuçları görmek için birkaç saniye beklemen gerekecek.

Bu egzersiz

Python ile Deep Learning'e Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

model_1 gibi, ancak 1 gizli katman yerine 10 birimli 3 gizli katmanı olan model_2 adlı bir model belirt.
- İlk gizli katmanda girdi şeklini belirtmek için input_shape kullan.
- 3 gizli katman için 'relu' aktivasyonunu ve 2 birimli çıktı katmanı için 'softmax' aktivasyonunu kullan.
model_2'yi önceki modellerde yaptığın gibi derle: optimizer olarak 'adam', kayıp için 'categorical_crossentropy' ve metrics=['accuracy'].
Her iki modeli eğitmek ve hangisinin daha iyi sonuç verdiğini görselleştirmek için 'Yanıtı Gönder'e bas!

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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()

Kodu Düzenle ve Çalıştır