编译一个顺序模型
在本练习中，您将继续对手语 MNIST 数据集中的字母进行分类；不过，这次将采用与上一练习不同的网络结构。层数更少，但节点更多。您还将应用 dropout 来防止过拟合。最后，您会编译模型，使用 adam 优化器和 categorical_crossentropy 损失函数。您还将使用 keras 中的方法来汇总模型结构。注意，keras 已从 tensorflow 为您导入，并且一个顺序式的 keras 模型已定义为 model。
本练习是课程的一部分
Python 中的 TensorFlow 入门
练习说明
- 在第一个全连接层中，将节点数设为 16，激活函数设为
sigmoid，并将input_shape设为 (784,)。 - 对第一层的输出以 25% 的比例应用 dropout。
- 将输出层设为全连接层，包含 4 个节点，并使用
softmax激活函数。 - 使用
adam优化器和categorical_crossentropy损失函数编译模型。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Define the first dense layer
model.add(keras.layers.Dense(____, ____, ____))
# Apply dropout to the first layer's output
model.add(keras.layers.____(0.25))
# Define the output layer
____
# Compile the model
model.compile('____', loss='____')
# Print a model summary
print(model.summary())