Začněte nyníZačněte zdarma

Porovnání aktivačních funkcí

Porovnání aktivačních funkcí vyžaduje trochu kódu, ale nic, co bys nezvládl/a!

Vyzkouším různé aktivační funkce na multi-labelovém modelu, který jsi sestavil/a pro zavlažovací stroj na farmě ve druhé kapitole. Funkce get_model('relu') vrátí kopii tohoto modelu a na jeho skrytou vrstvu aplikuje aktivační funkci 'relu'.

Projdeš několik aktivačních funkcí ve smyčce, pro každou vytvoříš nový model a natrénuješ ho. Uložením history callbacku do slovníku budeš moct v příštím cvičení vizualizovat, která aktivační funkce dopadla nejlépe!

X_train, y_train, X_test a y_test jsou připravené k použití při trénování modelů.

Toto cvičení je součástí kurzu

Úvod do hlubokého učení s Keras

Zobrazit kurz

Pokyny k cvičení

  • Doplň pole aktivačních funkcí hodnotami relu, leaky_relu, sigmoid a tanh.
  • Pro každou iteraci získej nový model pomocí get_model() a předej mu aktuální aktivační funkci jako parametr.
  • Natrénuj model — zadej trénovací data i validation_data, nastav 20 epochs a verbose na 0.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Activation functions to try
activations = [____, ____, ____, ____]

# Loop over the activation functions
activation_results = {}

for act in activations:
  # Get a new model with the current activation
  model = ____
  # Fit the model and store the history results
  h_callback = ____
  activation_results[act] = h_callback
Upravit a spustit kód