Začněte nyníZačněte zdarma

Efekty batch normalizace

Batch normalizace obvykle zvyšuje rychlost učení modelů a stabilizuje jejich křivky učení. Podívejme se, jak si poradí dva identické modely – jeden s batch normalizací a druhý bez ní.

Model batchnorm_model, který jsi právě sestavil/a, je načten a připraven k použití. K dispozici je také jeho přesná kopie bez batch normalizace: standard_model. Jejich summary() si můžeš prohlédnout v konzoli. Načteny jsou i proměnné X_train, y_train, X_test a y_test, takže můžeš oba modely natrénovat.

Křivky přesnosti obou modelů porovnáš pomocí funkce compare_histories_acc().

Definici funkce zobrazíš zadáním show_code(compare_histories_acc) do konzole.

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Natrénuj standard_model na 10 epoch s trénovacími i validačními daty a ulož jeho historii do h1_callback.
  • Natrénuj batchnorm_model na 10 epoch s trénovacími i validačními daty a ulož jeho historii do h2_callback.
  • Zavolej compare_histories_acc a předej jí h1_callback a h2_callback.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Train your standard model, storing its history callback
h1_callback = standard_model.fit(____, ____, validation_data=(____,____), epochs=____, verbose=0)

# Train the batch normalized model you recently built, store its history callback
h2_callback = batchnorm_model.fit(____, ____, validation_data=____, epochs=____, verbose=0)

# Call compare_histories_acc passing in both model histories
compare_histories_acc(____, ____)
Upravit a spustit kód