ПочатиПочніть безкоштовно

Машина для зрошення

Ви автоматизуєте полив ділянок ферми, створивши розумну зрошувальну машину. Завдання багатоміткової класифікації відрізняються від багатокласових тим, що кожне спостереження може мати нуль, одну або кілька міток. Тобто класи/мітки не є взаємовиключними: залежно від вхідних даних можна поливати всі, жодну або будь-яку комбінацію ділянок.

Щоб урахувати цю поведінку, робимо вихідний шар з кількістю нейронів, що дорівнює кількості класів, але цього разу, на відміну від багатокласових задач, кожен вихідний нейрон має активацію sigmoid. Це дає змогу кожному нейрону у вихідному шарі незалежно повертати число від 0 до 1.

Модель Sequential() і шари Dense() уже готові до використання. Час збудувати розумну зрошувальну машину!

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

Переглянути курс

Інструкції до вправи

  • Створіть модель Sequential().
  • Додайте прихований шар на 64 нейрони з кількістю вхідних нейронів, що дорівнює кількості сенсорів, і з активацією relu.
  • Додайте вихідний шар із кількістю нейронів, що дорівнює кількості ділянок, та з активацією sigmoid.
  • Скомпілюйте модель з оптимізатором adam і функцією втрат binary_crossentropy.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Instantiate a Sequential model
model = ____

# Add a hidden layer of 64 neurons and a 20 neuron's input
____

# Add an output layer of 3 neurons with sigmoid activation
____

# Compile your model with binary crossentropy loss
model.compile(optimizer='adam',
           loss = ____,
           metrics=['accuracy'])

model.summary()
Редагувати та запускати код