Začněte nyníZačněte zdarma

Příprava modelu pro ladění hyperparametrů

Pojďme ladit hyperparametry modelu binární klasifikace, který dobře klasifikuje dataset rakoviny prsu.

Viděl/a jsi, že prvním krokem pro převedení modelu na sklearn estimátor je vytvoření funkce, která ho sestaví. Definice této funkce je důležitá, protože ladění hyperparametrů probíhá právě variací argumentů, které tato funkce přijímá.

Sestavte jednoduchou funkci create_model(), která přijímá jako argumenty learning rate a aktivační funkci. Optimizer Adam byl importován jako objekt z tensorflow.keras.optimizers, takže můžeš měnit i jeho parametr learning rate.

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Nastav learning rate optimizeru Adam na hodnotu předanou v argumentech.
  • Nastav aktivační funkce skrytých vrstev na hodnotu předanou v argumentech.
  • Předej optimizer a ztrátovou funkci binary cross-entropy metodě .compile().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Creates a model given an activation and learning rate
def create_model(learning_rate, activation):
  
  	# Create an Adam optimizer with the given learning rate
  	opt = Adam(lr = ____)
  	
  	# Create your binary classification model  
  	model = Sequential()
  	model.add(Dense(128, input_shape = (30,), activation = ____))
  	model.add(Dense(256, activation = ____))
  	model.add(Dense(1, activation = 'sigmoid'))
  	
  	# Compile your model with your optimizer, loss, and metrics
  	model.compile(optimizer = ____, loss = ____, metrics = ['accuracy'])
  	return model
Upravit a spustit kód