LoslegenKostenlos starten

Aktivierungsfunktionen vergleichen

Aktivierungsfunktionen zu vergleichen erfordert etwas Code, aber nichts, was du nicht schaffst!

Du probierst verschiedene Aktivierungsfunktionen an dem Multi-Label-Modell aus, das du in Kapitel 2 für deine Bewässerungsmaschine auf dem Bauernhof gebaut hast. Die Funktion get_model('relu') gibt eine Kopie dieses Modells zurück und wendet die Aktivierungsfunktion 'relu' auf die verborgene Schicht an.

Du durchläufst mehrere Aktivierungsfunktionen, erzeugst jeweils ein neues Modell und trainierst es. Wenn du den History-Callback in einem Dictionary speicherst, kannst du in der nächsten Übung visualisieren, welche Aktivierungsfunktion am besten abgeschnitten hat!

X_train, y_train, X_test, y_test stehen dir zum Trainieren deiner Modelle bereit.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Fülle das Array der Aktivierungsfunktionen mit relu, leaky_relu, sigmoid und tanh.
  • Hole dir in jeder Iteration mit get_model() ein neues Modell und übergib die aktuelle Aktivierungsfunktion als Parameter.
  • Trainiere dein Modell mit Trainings- und validation_data, nutze 20 epochs und setze verbose auf 0.

Interaktive praktische Übung

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

# Activation functions to try
activations = [____, ____, ____, ____]

# Loop over the activation functions
activation_results = {}

for act in activations:
  # Get a new model with the current activation
  model = ____
  # Fit the model and store the history results
  h_callback = ____
  activation_results[act] = h_callback
Code bearbeiten und ausführen