Der History-Callback

Der History-Callback wird standardmäßig zurückgegeben, wenn du ein Modell mit der Methode .fit() trainierst. Auf diese Metriken greifst du über den Dictionary-Parameter history im zurückgegebenen Objekt h_callback mit den entsprechenden Schlüsseln zu.

Die Bewässerungsmaschinen-model, das du in der vorherigen Lektion gebaut hast, ist zum Trainieren für dich geladen, zusammen mit seinen Merkmalen und Zielwerten, jetzt als X_train, y_train, X_test, y_test. Dieses Mal speicherst du den history-Callback des Modells und verwendest beim Training den Parameter validation_data.

Du wirst die in history gespeicherten Ergebnisse mit plot_accuracy() und plot_loss() visualisieren – zwei einfachen matplotlib-Funktionen. Du kannst ihren Code in der Konsole ansehen, indem du show_code(plot_loss) einfügst.

Schauen wir uns an, was hinter den Kulissen unseres Trainings passiert!

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

Trainiere dein Modell auf X_train und y_train, und validiere jede Epoche auf X_test und y_test.
Verwende plot_loss und entnimm loss und val_loss aus h_callback.
Verwende plot_accuracy und entnimm accuracy und val_accuracy aus h_callback.

Interaktive praktische Übung

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

# Train your model and save its history
h_callback = ____.____(____, ____, epochs = 25,
               validation_data=(____, ____))

# Plot train vs test loss during training
plot_loss(h_callback.history[____], h_callback.history[____])

# Plot train vs test accuracy during training
plot_accuracy(h_callback.history[____], h_callback.history[____])

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

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

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem ersten Kapitel lernst du neuronale Netze kennen, verstehst, welche Arten von Problemen sie lösen können und wann du sie einsetzen solltest. Außerdem baust du mehrere Netze und rettest die Erde, indem du ein Regressionsmodell trainierst, das die Umlaufbahn eines auf uns zusteuernden Meteors annähert!

Exercise 1: Was ist Keras?Exercise 2: Keras beschreiben Exercise 3: Würdest du Deep Learning verwenden?Exercise 4: Dein erstes neuronales Netz Exercise 5: Hallo, Netze!Exercise 6: Parameter zählen Exercise 7: Baue es wie gezeigt!Exercise 8: Einen Meteoriteneinschlag überleben Exercise 9: Ein Modell spezifizieren Exercise 10: Training Exercise 11: Die Umlaufbahn vorhersagen!

Am Ende dieses Kapitels weißt du, wie du binäre, Multi-Klassen- und Multi-Label-Probleme mit neuronalen Netzen löst. Das übst du an Aufgaben wie dem Erkennen gefälschter Dollar-Scheine, der Entscheidung, wer welchen Dartpfeil auf eine Scheibe geworfen hat, und dem Bau eines intelligenten Systems zum Bewässern deines Bauernhofs. Außerdem kannst du Metriken des Modelltrainings plotten sowie das Training stoppen und deine Modelle speichern, wenn sie sich nicht weiter verbessern.

Exercise 1: Binäre Klassifikation Exercise 2: Dollar-Scheine erkunden Exercise 3: Ein Modell zur binären Klassifikation Exercise 4: Ist dieser Dollarschein gefälscht?Exercise 5: Multiklassenklassifikation Exercise 6: Ein Multiklassen-Modell Exercise 7: Bereite deinen Datensatz vor Exercise 8: Training mit Dartwerfer:innen Exercise 9: Softmax-Vorhersagen Exercise 10: Multi-Label-Klassifikation Exercise 11: Eine Bewässerungsmaschine Exercise 12: Training mit mehreren Labels Exercise 13: Keras-Callbacks Exercise 14: Der History-Callback

Aktuelle Übung

Exercise 15: Early Stopping für dein Modell Exercise 16: Eine Kombination aus Callbacks

In den vorherigen Kapiteln hast du viele Modelle trainiert! Jetzt lernst du, Lernkurven zu interpretieren, um deine Modelle während des Trainings zu verstehen. Du visualisierst außerdem die Auswirkungen von Aktivierungsfunktionen, Batchgrößen und Batch-Normalisierung. Abschließend erfährst du, wie du mit sklearn eine automatische Hyperparameteroptimierung für deine Keras-Modelle durchführst.

Exercise 1: Lernkurven Exercise 2: Ziffern lernen Exercise 3: Overfittet das Modell?Exercise 4: Brauchen wir mehr Daten?Exercise 5: Aktivierungsfunktionen Exercise 6: Verschiedene Aktivierungsfunktionen Exercise 7: Aktivierungsfunktionen vergleichen Exercise 8: Aktivierungsfunktionen vergleichen II Exercise 9: Batchgröße und Batch-Normalisierung Exercise 10: Batch-Größen ändern Exercise 11: Ein vertrautes Modell mit Batch-Normalisierung Exercise 12: Effekte der Batch-Normalisierung Exercise 13: Hyperparameteroptimierung Exercise 14: Ein Modell für das Tuning vorbereiten Exercise 15: Modellparameter abstimmen Exercise 16: Training mit Cross-Validation

Zeit für fortgeschrittenere Architekturen! Du erstellst einen Autoencoder, um verrauschte Bilder zu rekonstruieren, visualisierst Aktivierungen von Convolutional Neural Networks, nutzt tiefe vortrainierte Modelle zur Bildklassifikation und lernst mehr über rekurrente neuronale Netze und die Arbeit mit Text, während du ein Netz baust, das das nächste Wort in einem Satz vorhersagt.

Exercise 1: Tensors, Layers und Autoencoder Exercise 2: Es ist ein Fluss aus Tensoren Exercise 3: Neuronale Trennung Exercise 4: Einen Autoencoder erstellen Exercise 5: Rauschen entfernen wie ein Autoencoder Exercise 6: Einführung in CNNs Exercise 7: Ein CNN-Modell erstellen Exercise 8: Faltungen betrachten Exercise 9: Dein Eingabebild vorbereiten Exercise 10: Ein Modell aus der Praxis verwenden Exercise 11: Einführung in LSTMs Exercise 12: Textvorhersage mit LSTMs Exercise 13: Baue dein LSTM-Modell Exercise 14: Dekodiere deine Vorhersagen Exercise 15: Teste dein Modell!Exercise 16: Geschafft!