为网络添加层

您已经学习了如何尝试更"宽"的网络。在本练习中，您将尝试更"深"的网络（更多隐藏层）。

同样地，您有一个基线模型 model_1 作为起点。它只有 1 个隐藏层，具有 10 个单元。您可以看到该模型结构的摘要。接下来，您将创建一个类似的网络，但包含 3 个隐藏层（每层仍保持 10 个单元）。

拟合两个模型仍需要一点时间，所以在运行代码后，您需要等待几秒钟才能看到结果。

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

指定一个名为 model_2 的模型，使其与 model_1 类似，但包含 3 个具有 10 个单元的隐藏层，而不是仅 1 个隐藏层。
- 在第一个隐藏层中使用 input_shape 指定输入形状。
- 对 3 个隐藏层使用 'relu' 激活函数，对输出层使用 'softmax'，输出层应有 2 个单元。
按照之前模型的方式编译 model_2：optimizer 使用 'adam'，loss 使用 'categorical_crossentropy'，并设置 metrics=['accuracy']。
点击 "Submit Answer" 来拟合两个模型，并可视化哪个模型效果更好！

交互式实操练习

通过完成这段示例代码来试试这个练习。

# The input shape to use in the first hidden layer
input_shape = (n_cols,)

# Create the new model: model_2
model_2 = ____

# Add the first, second, and third hidden layers
____
____
____

# Add the output layer
____

# Compile model_2
____

# Fit model 1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Fit model 2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.4, verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()

编辑并运行代码