ПочатиПочніть безкоштовно

Створення власної моделі розпізнавання цифр

Ви дісталися фінальної вправи курсу — тепер ви знаєте все необхідне, щоб збудувати точну модель для розпізнавання рукописних цифр!

Ми вже виконали базову підготовку набору даних MNIST, показану у відео, тож у вас є X і y, завантажені та готові для моделювання. Sequential і Dense з tensorflow.keras також уже імпортовано.

Щоб додати трохи виклику, ми завантажили лише 2500 зображень, а не 60000, які ви побачите в деяких опублікованих результатах. Моделі глибокого навчання працюють краще з більшою кількістю даних, однак навчання тоді триває довше, особливо коли моделі стають складнішими.

Якщо у вас є комп'ютер із GPU, сумісним із CUDA, ви можете скористатися ним, щоб пришвидшити обчислення. Якщо GPU немає — не проблема! Можна розгорнути середовище глибокого навчання в хмарі та запускати моделі на GPU. Ось допис у блозі від Дена з поясненнями — перегляньте його після завершення цієї вправи! Це чудовий наступний крок на вашому шляху у глибокому навчанні.

Готові рухатися далі? Перегляньте курс Advanced Deep Learning with Keras, щоб побачити, як функціональний API Keras допомагає враховувати знання предметної галузі для розв'язання нових типів задач. Опанувавши функціональний API, зверніть увагу на Image Processing with Keras in Python, щоб вивчити застосування Keras для обробки зображень.

Ця вправа є частиною курсу

Вступ до Deep Learning у Python

Переглянути курс

Інструкції до вправи

  • Створіть об'єкт Sequential, щоб розпочати побудову моделі. Назвіть його model.
  • Додайте перший прихований шар Dense із 50 юнітами та активацією 'relu'. Для цих даних input_shape дорівнює (784,).
  • Додайте другий прихований шар Dense із 50 юнітами та функцією активації 'relu'.
  • Додайте вихідний шар. Функція активації має бути 'softmax', а кількість вузлів у цьому шарі має дорівнювати кількості можливих виходів у цьому завданні: 10.
  • Скомпілюйте model, як і попередні моделі: використайте 'adam' як optimizer, 'categorical_crossentropy' як функцію втрат і metrics=['accuracy'].
  • Навчіть модель на X і y, використавши validation_split 0.3 і 10 епох.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
____
Редагувати та запускати код