指定模型

现在您将使用在 Keras 中的第一个模型。与前两章相比，您可以立刻在更大的数据集上运行更复杂的神经网络模型。

首先，您将从一个神经网络的骨架开始，添加一个隐藏层和一个输出层。然后拟合该模型，让 Keras 执行优化，使您的模型不断变好。

作为开始，您将根据从业者所在行业、教育程度和经验水平等特征来预测其小时工资。数据集位于名为 df 的 pandas DataFrame 中。为方便起见，df 中除目标列以外的所有内容已转换为名为 predictors 的 NumPy 数组。目标变量 wage_per_hour 作为名为 target 的 NumPy 数组提供。

在本章的所有练习中，我们已经为您导入了 Sequential 模型构造器、Dense 层构造器，以及 pandas。

本练习是课程的一部分

Python 深度学习入门

查看课程

练习说明

将 predictors 数据的列数存入 n_cols。这一步已为您完成。
先创建一个名为 model 的 Sequential 模型。
在 model 上使用 .add() 方法添加一个 Dense 层。
- 添加 50 个单元，指定 activation='relu'，并将 input_shape 参数设为元组 (n_cols,)，这表示每行数据有 n_cols 个项，输入可以包含任意行数。
再添加一个 Dense 层，应包含 32 个单元并使用 'relu' 激活。
最后，添加一个输出层，即具有单个节点的 Dense 层。此处不要使用任何激活函数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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
____

编辑并运行代码