Keras 中的顺序模型
在第 3 章中，您使用了 tensorflow 中的 keras API 组件来定义一个神经网络，但尚未充分利用其高阶功能来简化模型定义与训练。在本练习中，您将使用 keras 的顺序模型 API 来定义一个可用于对手语字母图像进行分类的神经网络。您还将使用 .summary() 方法打印模型的结构，包括每一层的形状与参数数量。
请注意，图像已从 (28, 28) 重塑为 (784，)，以便作为全连接层的输入。此外，请注意，keras 已从 tensorflow 中为您导入。
本练习是课程的一部分
Python 中的 TensorFlow 入门
练习说明
- 定义一个名为
model的keras顺序模型。 - 将第一层设为
Dense()，包含 16 个节点，并使用relu激活函数。 - 将第二层设为
Dense()，包含 8 个节点，并使用relu激活函数。 - 将输出层设为包含 4 个节点，并使用
softmax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。
# Define a Keras sequential model
____
# Define the first dense layer
model.add(keras.layers.____(____, activation='____', input_shape=(784,)))
# Define the second dense layer
____
# Define the output layer
model.add(keras.layers.Dense(____))
# Print the model architecture
print(model.summary())