LoslegenKostenlos starten

Neuronale Trennung

Zieh die Handschuhe an – jetzt steht eine Gehirnoperation an!

Neuronen lernen, indem sie ihre Gewichte so anpassen, dass sie Ausgaben erzeugen, mit denen sie die verschiedenen Zielklassen in deinem Datensatz besser unterscheiden können. Du nutzt die gerade erstellte Funktion inp_to_out(), um die Ausgaben von zwei Neuronen in der ersten Schicht des Banknote Authentication-model während des Lernens zu visualisieren.

Das model, das du in Kapitel 2 gebaut hast, steht bereit – genauso wie X_test und y_test. Gib show_code(plot) in die Konsole ein, wenn du plot() überprüfen möchtest.

Du führst hier Schwerstarbeit aus. Wenn alles läuft, klicke dich durch die Diagramme und sieh dir die Trennung live an!

Diese Übung ist Teil des Kurses

<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>
Kurs ansehen

Übungsanweisungen

  • Verwende die zuvor definierte Funktion inp_to_out(), um die Ausgaben der ersten Schicht zu erhalten, wenn X_test eingespeist wird.
  • Verwende die Methode model.evaluate(), um bei jeder Epoche die Validierungsgenauigkeit für den Testdatensatz zu ermitteln.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

for i in range(0, 21):
  	# Train model for 1 epoch
    h = model.fit(X_train, y_train, batch_size = 16, epochs = 1, verbose = 0)
    if i%4==0: 
      # Get the output of the first layer
      layer_output = ____([____])[0]
      
      # Evaluate model accuracy for this epoch
      test_accuracy = model.____(____, ____)[1] 
      
      # Plot 1st vs 2nd neuron output
      plot()
Code bearbeiten und ausführen