定義模型

現在你要在 Keras 中實作第一個模型，並且立刻能在更大的資料集上執行更複雜的神經網路，比前兩章更進一步。

一開始，你會從神經網路的骨架出發，加入一個隱藏層與一個輸出層。接著你會訓練這個模型，看到 Keras 進行最佳化，讓模型持續變好。

作為起點，你要根據產業別、受教育程度與年資等特徵來預測工人的時薪。你可以在名為 df 的 pandas DataFrame 中找到資料集。為了方便起見，df 中除了目標變數以外的所有內容，都已轉成名為 predictors 的 NumPy 陣列。目標變數 wage_per_hour 則已提供為名為 target 的 NumPy 陣列。

在本章所有練習中，我們都已匯入 Sequential 模型建構子、Dense 層建構子，以及 pandas。

本練習屬於課程

Python 深度學習入門

檢視課程

練習說明

將 predictors 資料的欄數存到 n_cols。這已替你完成。
先建立一個名為 model 的 Sequential 模型。
在 model 上使用 .add() 方法加入一個 Dense 層。
- 加入 50 個單元，指定 activation='relu'，並將 input_shape 參數設為元組 (n_cols,)，代表每列資料有 n_cols 個項目，而可接受任意列數作為輸入。
再加入另一個 Dense 層。這一層應有 32 個單元，啟用函式為 'relu'。
最後加入輸出層，亦即只有單一節點的 Dense 層。此處不要使用任何啟用函式。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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
____

編輯並執行程式碼