1. Learn
    2. /
  2. 课程
    3. /
  3. Python 深度学习入门
Connected

道练习

构建您自己的手写数字识别模型

您已经来到本课程的最后一个练习——现在您具备了构建准确手写数字识别模型所需的一切！

我们已经按照视频演示完成了对 MNIST 数据集的基础处理，因此 X 和 y 已加载完毕，可以直接建模。来自 tensorflow.keras 的 Sequential 和 Dense 也已预先导入。

为增加一点挑战，我们只加载了 2500 张图像，而不是一些发表结果中使用的 60000 张。深度学习模型在数据更多时通常表现更好，但训练也会更耗时，尤其是当模型变得更复杂时。

如果您的计算机配有兼容 CUDA 的 GPU，您可以利用它来缩短计算时间。即使没有 GPU 也没问题！您可以在云端搭建深度学习环境，让模型在 GPU 上运行。这里有 Dan 撰写的一篇博客文章讲解如何操作——完成本练习后不妨读一读！在您继续深度学习之旅时，这是一个很好的下一步。

准备把深度学习提升到新水平了吗？来看看 Advanced Deep Learning with Keras，了解 Keras 函数式 API 如何帮助您积累领域知识，解决新类型的问题。掌握函数式 API 之后，再看一看 Image Processing with Keras in Python，学习 Keras 在图像方向的应用。

说明

100 XP
  • 创建一个 Sequential 对象作为模型起点，命名为 model。
  • 向模型添加第一个包含 50 个单元、激活函数为 'relu' 的 Dense 隐藏层。对于本数据，input_shape 为 (784,)。
  • 添加第二个 Dense 隐藏层，包含 50 个单元，并使用 'relu' 激活函数。
  • 添加输出层。激活函数应为 'softmax'，该层的节点数应与可能的输出类别数相同：10。
  • 按照之前模型的方式编译 model：optimizer 使用 'adam'，loss 使用 'categorical_crossentropy'，并设置 metrics=['accuracy']。
  • 使用 X 和 y 拟合模型，validation_split 设为 0.3，训练 10 个 epoch。