Efectos de la normalización por lotes

La normalización por lotes suele acelerar el aprendizaje de nuestros modelos y hacer que sus curvas de aprendizaje sean más estables. Vamos a comparar dos modelos idénticos, con y sin normalización por lotes.

El modelo que acabas de construir, batchnorm_model, está cargado para que lo uses. También tienes disponible una copia exacta sin normalización por lotes: standard_model. Puedes consultar su summary() en la consola. X_train, y_train, X_test y y_test también están cargados para que puedas entrenar ambos modelos.

Vas a comparar las curvas de aprendizaje de la exactitud de ambos modelos representándolas con compare_histories_acc().

Puedes consultar la función pegando show_code(compare_histories_acc) en la consola.

Este ejercicio forma parte del curso

Introducción al Deep Learning con Keras

Instrucciones del ejercicio

Entrena standard_model durante 10 épocas pasando los datos de entrenamiento y validación, y guarda su histórico en h1_callback.
Entrena batchnorm_model durante 10 épocas pasando los datos de entrenamiento y validación, y guarda su histórico en h2_callback.
Llama a compare_histories_acc pasando h1_callback y h2_callback.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Train your standard model, storing its history callback
h1_callback = standard_model.fit(____, ____, validation_data=(____,____), epochs=____, verbose=0)

# Train the batch normalized model you recently built, store its history callback
h2_callback = batchnorm_model.fit(____, ____, validation_data=____, epochs=____, verbose=0)

# Call compare_histories_acc passing in both model histories
compare_histories_acc(____, ____)

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 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

Ejercicio actual

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!