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。

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

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。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Create the model: model
model = ____

# Add the first hidden layer
____

# Add the second hidden layer
____

# Add the output layer
____

# Compile the model
____

# Fit the model
____

编辑并运行代码