Reti_Neurali

La rete neurale convoluzionale (CNN) in questione è progettata per eseguire un'operazione di regressione su un set di dati.

Struttura

Il modello è composto da diversi strati:

1. Conv1D: Questo è uno strato convoluzionale 1D. Questo strato ha 128 filtri e una dimensione del kernel di 3. La funzione di attivazione utilizzata è 'relu'. Questo strato è il primo strato del modello e quindi richiede l'input_shape specificato.

2. MaxPooling1D: Questo è uno strato di pooling che riduce la dimensione spaziale dell'input. Il fattore di pooling è 2.

3. Conv1D: Questo è un altro strato convoluzionale 1D con 256 filtri e una dimensione del kernel di 3. La funzione di attivazione utilizzata è 'relu'.

4. Conv1D: Questo è un altro strato convoluzionale 1D con 256 filtri e una dimensione del kernel di 3. La funzione di attivazione utilizzata è 'relu'.

5. MaxPooling1D: Questo è un altro strato di pooling con un fattore di pooling di 2.

6. GlobalMaxPooling1D: Questo strato applica un'operazione di pooling massimo su tutto l'input.

7. Dense: Questo è uno strato completamente connesso con 256 nodi. La funzione di attivazione utilizzata è 'relu'.

8. Dropout: Questo strato applica una regolarizzazione con Dropout, spegnendo casualmente un certo numero di nodi durante l'addestramento per prevenire l'overfitting. Il tasso di dropout è 0.1.

9. Dense: Questo è lo strato di output del modello. Ha un solo nodo, poiché il modello esegue un'operazione di regressione. Non c'è funzione di attivazione specificata per questo strato.

Utilizzo

Dopo la compilazione, il modello è pronto per essere addestrato sui dati; Dopo l'addestramento, può essere utilizzato per fare previsioni su nuovi dati.