Začněte nyníZačněte zdarma

Kombinace callbacků

Trénování deep learning modelů může trvat velmi dlouho, zejména při přechodu na hlubší architektury a větší datové sady. Ukládání modelu pokaždé, když se zlepší, a jeho zastavení, když se přestane zlepšovat, ti ušetří starosti s výběrem počtu epoch. Uložený model můžeš kdykoli obnovit a pokračovat v trénování tam, kde jsi skončil/a.

Data pro trénování a validaci jsou v tvém pracovním prostředí dostupná jako X_train, X_test, y_train a y_test.

Použij callbacky EarlyStopping() a ModelCheckpoint() – a pak klidně jdi sníst celou sklenici sušenek, zatímco počítač maká za tebe!

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Importuj callbacky EarlyStopping i ModelCheckpoint z tensorflow.keras.
  • Vytvoř monitor_val_acc jako callback EarlyStopping, který bude sledovat 'val_accuracy' s hodnotou patience nastavenou na 3 epochy.
  • Vytvoř model_checkpoint jako callback ModelCheckpoint a ulož nejlepší model pod názvem best_banknote_model.hdf5.
  • Natrénuj model a předej mu seznam s definovanými callbacky a X_test a y_test jako validační data.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the EarlyStopping and ModelCheckpoint callbacks
from tensorflow.____.____ import ____, ____

# Early stop on validation accuracy
monitor_val_acc = ____(monitor = ____, patience = ____)

# Save the best model as best_banknote_model.hdf5
model_checkpoint = ____(____, save_best_only = True)

# Fit your model for a stupid amount of epochs
h_callback = model.fit(X_train, y_train,
                    epochs = 1000000000000,
                    callbacks = [____, ____],
                    validation_data = (____, ____))
Upravit a spustit kód