1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Nhập môn Deep Learning với Python
Connected

Bài tập

Tự xây dựng mô hình nhận dạng chữ số

Bạn đã đến với bài tập cuối cùng của khóa học — giờ bạn đã có đủ kiến thức để xây dựng một mô hình chính xác nhằm nhận dạng chữ số viết tay!

Chúng tôi đã xử lý trước bộ dữ liệu MNIST như trong video, vì vậy bạn đã có X và y được nạp sẵn để sẵn sàng mô hình hóa. Sequential và Dense từ tensorflow.keras cũng đã được import sẵn.

Để tăng thử thách, chúng tôi chỉ nạp 2500 ảnh thay vì 60000 như bạn có thể thấy trong một số kết quả đã công bố. Các mô hình deep learning hoạt động tốt hơn khi có nhiều dữ liệu hơn, tuy nhiên thời gian huấn luyện cũng sẽ dài hơn, đặc biệt khi mô hình trở nên phức tạp.

Nếu bạn có máy tính với GPU tương thích CUDA, bạn có thể tận dụng để rút ngắn thời gian tính toán. Nếu bạn không có GPU, không sao! Bạn có thể thiết lập môi trường deep learning trên đám mây để chạy mô hình trên GPU. Đây là một bài viết blog của Dan giải thích cách thực hiện — hãy xem sau khi hoàn thành bài tập này! Đây là bước tiếp theo tuyệt vời khi bạn tiếp tục hành trình deep learning.

Sẵn sàng nâng tầm kỹ năng deep learning? Hãy xem Advanced Deep Learning with Keras để tìm hiểu cách Keras functional API giúp bạn đưa kiến thức miền vào giải quyết các dạng bài toán mới. Khi đã biết dùng functional API, hãy xem Image Processing with Keras in Python để học các ứng dụng xử lý ảnh chuyên biệt với Keras.

Hướng dẫn

100 XP
  • Tạo một đối tượng Sequential để bắt đầu mô hình. Gọi nó là model.
  • Thêm lớp ẩn Dense đầu tiên với 50 unit vào mô hình cùng activation 'relu'. Với dữ liệu này, input_shape là (784,).
  • Thêm lớp ẩn Dense thứ hai với 50 unit và hàm kích hoạt 'relu'.
  • Thêm lớp đầu ra. Hàm kích hoạt nên là 'softmax', và số node của lớp này cần bằng với số đầu ra có thể có trong bài toán này: 10.
  • Biên dịch model như các mô hình trước: dùng 'adam' làm optimizer, 'categorical_crossentropy' cho loss, và metrics=['accuracy'].
  • Huấn luyện mô hình với X và y cùng validation_split là 0.3 và 10 epochs.