Metriken und Validierung mit Keras
Im vorherigen Schritt haben wir ein Modell trainiert, das Buchstaben in der Gebärdensprache vorhersagt, aber es ist unklar, wie erfolgreich wir dabei waren. In dieser Übung verbessern wir die Interpretierbarkeit unserer Ergebnisse. Da wir keinen Validierungssplit verwendet haben, konnten wir nur Leistungssteigerungen im Trainingssatz beobachten; es ist jedoch unklar, wie viel davon auf Overfitting zurückzuführen ist. Außerdem haben wir keine Metrik angegeben, sodass wir nur Abnahmen der Verlustfunktion gesehen haben, die sich nicht eindeutig interpretieren lassen.
Beachte, dass keras bereits aus tensorflow für dich importiert wurde.
Diese Übung ist Teil des Kurses
Einführung in TensorFlow mit Python
Anleitung zur Übung
- Setze die erste Dense-Schicht auf 32 Knoten, verwende eine
sigmoid-Aktivierungsfunktion und eine Eingabeform von (784,). - Verwende den Root-Mean-Square-Propagation-Optimizer, eine kategoriale Kreuzentropie als Loss und die Metrik Accuracy.
- Setze die Anzahl der Epochen auf 10 und nutze 10 % des Datensatzes für die Validierung.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Define sequential model
model = keras.Sequential()
# Define the first layer
model.add(keras.layers.Dense(____, ____, ____))
# Add activation function to classifier
model.add(keras.layers.Dense(4, activation='softmax'))
# Set the optimizer, loss function, and metrics
model.compile(optimizer='____', loss='____', metrics=['____'])
# Add the number of epochs and the validation split
model.fit(sign_language_features, sign_language_labels, epochs=____, validation_split=____)