Začněte nyníZačněte zdarma

Trénování neuronových sítí pomocí TensorFlow

V předchozím cvičení jsi definoval/a model model(w1, b1, w2, b2, features) a ztrátovou funkci loss_function(w1, b1, w2, b2, features, targets) — obojí máš k dispozici i v tomto cvičení. Teď model natrénuješ a vyhodnotíš jeho výkon pomocí predikcí na testovací sadě, která se skládá z test_features a test_targets. Trénovatelné proměnné jsou w1, b1, w2 a b2. Navíc jsou pro tebe připraveny tyto operace: keras.activations.relu() a keras.layers.Dropout().

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Nastav optimalizátor tak, aby prováděl minimalizaci.
  • Přidej čtyři trénovatelné proměnné do var_list ve stejném pořadí, v jakém se vyskytují jako argumenty funkce loss_function().
  • Pomocí modelu a test_features předpověz hodnoty pro test_targets.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Train the model
for j in range(100):
    # Complete the optimizer
	opt.____(lambda: loss_function(w1, b1, w2, b2), 
                 var_list=[____, ____, ____, ____])

# Make predictions with model using test features
model_predictions = model(w1, b1, w2, b2, ____)

# Construct the confusion matrix
confusion_matrix(test_targets, model_predictions)
Upravit a spustit kód