Ein CNN trainieren, um Kleidungsarten zu klassifizieren

Bevor ein neuronales Netzwerk trainiert wird, muss es mit der richtigen Kostenfunktion und dem richtigen Optimierer kompiliert werden. Beim Kompilieren kannst du auch Metriken festlegen, die das Netzwerk in jeder Epoche berechnet und meldet. Für die Modellanpassung braucht man einen Trainingsdatensatz und die dazugehörigen Trainingslabels für das Netzwerk.

Das Conv2D- model, das du in der letzten Übung erstellt hast, ist jetzt in deinem Arbeitsbereich verfügbar.

Diese Übung ist Teil des Kurses

Bildmodellierung mit Keras

Kurs anzeigen

Anleitung zur Übung

Kompiliere das Netzwerk mit dem Optimierer „ 'adam' “ und der Kostenfunktion „ 'categorical_crossentropy' “. In der Metrikliste legst du fest, dass das Netzwerk „ 'accuracy' “ melden soll.
Pass das Netzwerk auf „ train_data “ und „ train_labels “ an. Trainiere 3 Epochen mit einer Batchgröße von 10 Bildern. Leg beim Training 20 % der Daten als Validierungssatz beiseite, indem du das Schlüsselwortargument „ validation_split “ verwendest.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compile the model 
model.compile(optimizer=____, 
              loss=____, 
              metrics=[____])

# Fit the model on a training set
model.fit(____, ____, 
          validation_split=____, 
          epochs=____, batch_size=____)

Code bearbeiten und ausführen