1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Úvod do deep learningu v Pythonu
Connected

Cvičení

Early stopping: optimalizace optimalizace

Teď, když víš, jak sledovat výkon modelu v průběhu optimalizace, můžeš využít early stopping – tedy automatické zastavení optimalizace ve chvíli, kdy už nepřináší zlepšení. Protože se optimalizace zastaví sama, můžeš v .fit() klidně nastavit vysokou hodnotu epochs, jak ukázal Dan ve videu.

Model, který budeš optimalizovat, je definovaný jako model. Data jsou stejně jako dříve předem načtena jako predictors a target.

Pokyny

100 XP
  • Importuj EarlyStopping z tensorflow.keras.callbacks.
  • Zkompiluj model – opět použij 'adam' jako optimizer, 'categorical_crossentropy' jako loss funkci a metrics=['accuracy'], aby ses mohl/a sledovat přesnost po každé epoše.
  • Vytvoř objekt EarlyStopping s názvem early_stopping_monitor. Optimalizaci zastav tehdy, když se validační loss nezlepší po dobu 2 epoch – nastav parametr patience funkce EarlyStopping() na hodnotu 2.
  • Natrénuj model na datech predictors a target. Počet epochs nastav na 30, validation split na 0.3 a předej [early_stopping_monitor] do parametru callbacks.