Začněte nyníZačněte zdarma

Ladění parametrů modelu

Je čas vyzkoušet různé parametry na svém modelu a zjistit, jak dobře si povede!

Funkce create_model(), kterou jsi sestavil/a v předchozím cvičení, je připravena k použití.

Protože přizpůsobení objektu RandomizedSearchCV by trvalo příliš dlouho, výsledky, které bys získal/a, jsou vypsány ve funkci show_results(). V konzoli si můžeš zkusit random_search.fit(X,y) a ověřit, že vše funguje, až dostavíš zbytek kódu — ale cvičení ti pravděpodobně vyprší časový limit (zkopíruj si kód předem, ať nepřijdeš o postup!).

Při vytváření objektu KerasClassifier nemusíš používat volitelné parametry epochs a batch_size, protože je předáváš jako params do náhodného hledání — to funguje samo od sebe.

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Importuj KerasClassifier z wrapperů scikit-learn v tensorflow.keras.
  • Při vytváření instance KerasClassifier použij svou funkci create_model.
  • Nastav 'relu' a 'tanh' jako activation, hodnoty 32, 128 a 256 jako batch_size, hodnoty 50, 100 a 200 jako epochs a learning_rate 0.1, 0.01 a 0.001.
  • Při sestavování objektu RandomizedSearchCV předej svůj převedený model a zvolené params.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import KerasClassifier from tensorflow.keras scikit learn wrappers
from tensorflow.keras.wrappers.____ import ____

# Create a KerasClassifier
model = KerasClassifier(build_fn = ____)

# Define the parameters to try out
params = {'activation': [____, ____], 'batch_size': [____, ____, ____], 
          'epochs': [____, ____, ____], 'learning_rate': [____, ____, ____]}

# Create a randomize search cv object passing in the parameters to try
random_search = RandomizedSearchCV(____, param_distributions = ____, cv = KFold(3))

# Running random_search.fit(X,y) would start the search,but it takes too long! 
show_results()
Upravit a spustit kód