Визначення моделі

Зараз ви попрацюєте зі своєю першою моделлю в Keras і зможете одразу запускати складніші моделі нейронних мереж на більших наборах даних, ніж у перших двох розділах.

Спочатку ви візьмете „скелет" нейронної мережі та додасте прихований шар і вихідний шар. Потім ви навчите цю модель і побачите, як Keras виконує оптимізацію, щоб ваша модель постійно поліпшувалася.

Для початку ви передбачатимете погодинну оплату праці працівників за характеристиками, такими як галузь, освіта та рівень досвіду. Набір даних доступний у датафреймі pandas під назвою df. Для зручності все в df, окрім цільової змінної, перетворено на масив NumPy під назвою predictors. Цільова змінна, wage_per_hour, доступна як масив NumPy target.

Для всіх вправ у цьому розділі ми імпортували конструктор моделі Sequential, конструктор шару Dense і pandas.

Ця вправа є частиною курсу

Вступ до Deep Learning у Python

Переглянути курс

Інструкції до вправи

Збережте кількість стовпців у даних predictors до змінної n_cols. Це вже зроблено за вас.
Створіть модель Sequential з назвою model.
Використайте метод .add() для model, щоб додати шар Dense.
- Додайте 50 юнітів, вкажіть activation='relu', а параметр input_shape задайте кортежем (n_cols,), що означає: у кожному рядку даних є n_cols елементів, а кількість рядків може бути довільною на вході.
Додайте ще один шар Dense. У ньому має бути 32 юніти та активація 'relu'.
Нарешті, додайте вихідний шар — це шар Dense з одним вузлом. Тут не використовуйте жодної функції активації.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import necessary modules
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]

# Set up the model: model
model = ____

# Add the first layer
____.____(____(____, ____=____, ____=(____)))

# Add the second layer
____

# Add the output layer
____

Редагувати та запускати код