ПочатиПочніть безкоштовно

Компіляція послідовної моделі

У цій вправі ви налаштуєте класифікацію літер із набору Sign Language MNIST; однак архітектура мережі відрізнятиметься від попередньої вправи. Шарів буде менше, але вузлів — більше. Ви також застосуєте dropout, щоб запобігти перенавчанню. Нарешті ви скомпілюєте модель з оптимізатором adam і функцією втрат categorical_crossentropy. Ви також скористаєтеся методом у keras, щоб підсумувати архітектуру вашої моделі. Зверніть увагу, що keras уже імпортовано з tensorflow, а послідовну модель keras визначено як model.

Ця вправа є частиною курсу

Вступ до TensorFlow на Python

Переглянути курс

Інструкції до вправи

  • У першому щільному шарі встановіть кількість вузлів 16, активацію sigmoid і input_shape (784,).
  • Застосуйте dropout зі швидкістю 25% до виходу першого шару.
  • Зробіть вихідний шар щільним, з 4 вузлами, та використовуйте функцію активації softmax.
  • Скомпілюйте модель, використовуючи оптимізатор adam і функцію втрат categorical_crossentropy.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))

# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))

# Define the output layer
____

# Compile the model
model.compile('____', loss='____')

# Print a model summary
print(model.summary())
Редагувати та запускати код