Začněte nyníZačněte zdarma

Metriky a validace v Keras

V předchozím cvičení jsme natrénovali model pro rozpoznávání písmen znakové řeči, ale nebylo úplně jasné, jak dobře se nám to podařilo. V tomto cvičení se zaměříme na lepší interpretovatelnost výsledků. Protože jsme nepoužili validační split, sledovali jsme zlepšení výkonu pouze na trénovací množině – a není jisté, do jaké míry šlo o overfitting. Navíc jsme nezadali žádnou metriku, takže jsme viděli jen pokles hodnoty loss funkce, která sama o sobě nemá přímočarou interpretaci.

Počítej s tím, že keras je již naimportován z tensorflow.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Nastav první dense vrstvu na 32 uzlů, použij aktivační funkci sigmoid a vstupní tvar (784,).
  • Použij optimizer root mean square propagation, ztrátu categorical crossentropy a metriku přesnosti (accuracy).
  • Nastav počet epoch na 10 a vyčleň 10 % datasetu pro validaci.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define sequential model
model = keras.Sequential()

# Define the first layer
model.add(keras.layers.Dense(____, ____, ____))

# Add activation function to classifier
model.add(keras.layers.Dense(4, activation='softmax'))

# Set the optimizer, loss function, and metrics
model.compile(optimizer='____', loss='____', metrics=['____'])

# Add the number of epochs and the validation split
model.fit(sign_language_features, sign_language_labels, epochs=____, validation_split=____)
Upravit a spustit kód