El callback de historial

El callback de historial se devuelve por defecto cada vez que entrenas un modelo con el método .fit(). Para consultar estas métricas, puedes acceder al diccionario history dentro del objeto h_callback devuelto, usando las claves correspondientes.

La máquina de riego model que construiste en la lección anterior está cargada para que la entrenes, junto con sus características y etiquetas ahora cargadas como X_train, y_train, X_test, y_test. Esta vez, guardarás el history del modelo y usarás el parámetro validation_data mientras entrena.

Representarás los resultados almacenados en history con plot_accuracy() y plot_loss(), dos funciones sencillas de matplotlib. Puedes revisar su código en la consola pegando show_code(plot_loss).

¡Veamos qué ocurre entre bambalinas durante el entrenamiento!

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

Instrucciones del ejercicio

Entrena tu modelo con X_train y y_train, y valida cada época con X_test y y_test.
Usa plot_loss extrayendo loss y val_loss de h_callback.
Usa plot_accuracy extrayendo accuracy y val_accuracy de h_callback.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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[____])

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

IntermedioNivel de habilidad

4.8+

Empieza el curso gratis

En este primer capítulo, te presentarás a las redes neuronales, entenderás qué tipo de problemas pueden resolver y cuándo usarlas. También construirás varias redes y salvarás la Tierra entrenando un modelo de regresión que aproxima la órbita de un meteorito que se acerca a nosotros.

Exercise 1: ¿Qué es Keras?Exercise 2: Describiendo Keras Exercise 3: ¿Usarías deep learning?Exercise 4: Tu primera red neuronal Exercise 5: ¡Hola, redes!Exercise 6: Contando parámetros Exercise 7: ¡Constrúyelo tal como se muestra!Exercise 8: Sobrevivir a un impacto de meteorito Exercise 9: Especificar un modelo Exercise 10: Entrenamiento Exercise 11: ¡Prediciendo la órbita!

Al final de este capítulo, sabrás cómo resolver problemas binarios, multiclase y multilabel con redes neuronales. Todo ello resolviendo retos como detectar billetes de dólar falsos, decidir quién lanzó qué dardo a una diana y construir un sistema inteligente para regar tu granja. También podrás representar las métricas de entrenamiento del modelo y detener el entrenamiento y guardar tus modelos cuando ya no mejoren.

Exercise 1: Clasificación binaria Exercise 2: Explorando billetes de dólar Exercise 3: Un modelo de clasificación binaria Exercise 4: ¿Este billete de dólar es falso?Exercise 5: Clasificación multiclase Exercise 6: Un modelo multiclase Exercise 7: Prepara tu conjunto de datos Exercise 8: Entrenamiento con lanzadores de dardos Exercise 9: Predicciones con softmax Exercise 10: Clasificación multietiqueta Exercise 11: Una máquina de riego Exercise 12: Entrenamiento con múltiples etiquetas Exercise 13: Callbacks de Keras Exercise 14: El callback de historial

Ejercicio actual

Exercise 15: Detén tu modelo a tiempo (early stopping)Exercise 16: Una combinación de callbacks

En los capítulos anteriores has entrenado muchos modelos. Ahora aprenderás a interpretar curvas de aprendizaje para entender tus modelos mientras se entrenan. También visualizarás los efectos de las funciones de activación, los tamaños de lote y la normalización por lotes. Por último, aprenderás a realizar una optimización automática de hiperparámetros en tus modelos de Keras usando sklearn.

Exercise 1: Curvas de aprendizaje Exercise 2: Aprendiendo los dígitos Exercise 3: ¿Está sobreajustando el modelo?Exercise 4: ¿Necesitamos más datos?Exercise 5: Funciones de activación Exercise 6: Funciones de activación diferentes Exercise 7: Comparar funciones de activación Exercise 8: Comparar funciones de activación II Exercise 9: Tamaño de lote y normalización por lotes Exercise 10: Cambiar el tamaño de los lotes Exercise 11: Normalización por lotes en un modelo conocido Exercise 12: Efectos de la normalización por lotes Exercise 13: Ajuste de hiperparámetros Exercise 14: Preparar un modelo para el ajuste Exercise 15: Ajustar los parámetros del modelo Exercise 16: Entrenamiento con validación cruzada

¡Es hora de conocer arquitecturas más avanzadas! Crearás un autoencoder para reconstruir imágenes con ruido, visualizarás activaciones de redes neuronales convolucionales, usarás modelos profundos preentrenados para clasificar imágenes y aprenderás más sobre redes neuronales recurrentes y trabajo con texto mientras construyes una red que predice la siguiente palabra de una frase.

Exercise 1: Tensores, capas y autoencoders Exercise 2: Es un flujo de tensores Exercise 3: Separación neuronal Exercise 4: Construyendo un autoencoder Exercise 5: Eliminar ruido como un autoencoder Exercise 6: Introducción a las CNN Exercise 7: Construir un modelo CNN Exercise 8: Observando las convoluciones Exercise 9: Preparar tu imagen de entrada Exercise 10: Usar un modelo del mundo real Exercise 11: Introducción a las LSTM Exercise 12: Predicción de texto con LSTMs Exercise 13: Construye tu modelo LSTM Exercise 14: Descodifica tus predicciones Exercise 15: ¡Pon a prueba tu modelo!Exercise 16: ¡Has terminado!