灌溉機器
你要透過打造一台智慧灌溉機器，來自動澆灌農地區塊。多標籤分類（multi-label classification）與多類別分類（multi-class）不同之處在於，每個觀測值可以被標記為 0 個或多個類別。因此各類別／標籤不是互斥的；根據輸入，你可以選擇澆灌全部、不澆灌，或澆灌任意組合的農地區塊。
為了符合這種行為，我們會在輸出層放入與類別數相同的神經元，但這次與多類別問題不同的是，每個輸出神經元都使用 sigmoid 啟用函式。如此一來，輸出層中的每個神經元都能各自輸出介於 0 到 1 之間的數值。
Sequential() 模型與 Dense() 層都已就緒。現在就來打造一台智慧灌溉機器吧！
本練習屬於課程
Keras 深度學習入門
練習說明
- 建立一個
Sequential()模型。 - 新增一個隱藏層，包含 64 個神經元，輸入神經元數量與感測器數量相同，並使用
relu啟用函式。 - 新增一個輸出層，神經元數量與地塊數量相同，並使用
sigmoid啟用函式。 - 使用
adam最佳化器與binary_crossentropy損失來編譯模型。
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。
# 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()