灌溉机器
您将通过构建一台智能灌溉机器来自动为农田地块浇水。多标签分类与多类分类不同：每个观测可以被标注为 0 个或多个类别。因此，各类别/标签不是互斥的。根据输入，您可以为所有地块浇水、不浇任何地块，或浇任意组合的地块。
为实现这种行为，我们使用一个输出层，其神经元数量与类别数相同。但这次与多类问题不同，每个输出神经元都使用 sigmoid 激活函数。这样，输出层中的每个神经元都可以独立输出 0 到 1 之间的数值。
Sequential() 模型和 Dense() 层已经为您准备好。现在就来构建这台智能灌溉机器吧！
本练习是课程的一部分
Keras 深度学习入门
练习说明
- 实例化一个
Sequential()模型。 - 添加一个包含 64 个神经元的隐藏层，输入神经元数量与传感器数量相同，并使用
relu激活。 - 添加一个输出层，神经元数量与地块数量相同，并使用
sigmoid激活。 - 使用
adam优化器和binary_crossentropy损失来编译模型。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()