Změna velikosti dávky
Modely se obvykle trénují v dávkách pevné velikosti. Čím menší dávka, tím více aktualizací vah za každou epochu – za cenu nestabilnějšího gradientního sestupu. Zvlášť pokud je dávka příliš malá a není reprezentativní pro celou trénovací sadu.
Podíváme se, jak různé velikosti dávek ovlivňují přesnost jednoduchého modelu binární klasifikace, který odděluje červené tečky od modrých.
Nejdřív použiješ dávku o velikosti 1 – váhy se budou aktualizovat po každém vzorku trénovací sady pro každou epochu. Pak použiješ celou datovou sadu a váhy se aktualizují jen jednou za epochu.
Toto cvičení je součástí kurzu
Úvod do hlubokého učení s Keras
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])