ComenzarEmpieza gratis

Métricas y validación con Keras

En el ejercicio anterior entrenamos un modelo para predecir las letras del lenguaje de signos, pero no está claro hasta qué punto lo conseguimos. En este ejercicio, intentaremos mejorar la interpretabilidad de nuestros resultados. Como no utilizamos una división de validación, sólo observamos mejoras de rendimiento dentro del conjunto de entrenamiento; sin embargo, no está claro en qué medida se debieron al sobreajuste. Además, como no facilitamos una métrica, sólo observamos disminuciones en la función de pérdida, que no tienen una interpretación clara.

Ten en cuenta que keras se ha importado para ti desde tensorflow.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones del ejercicio

  • Configura la primera capa densa para que tenga 32 nodos, utilice una función de activación sigmoid y tenga una forma de entrada de (784,).
  • Utiliza el optimizador de propagación cuadrática media, una pérdida categórica de entropía cruzada y la métrica de precisión.
  • Establece el número de épocas en 10 y utiliza el 10% del conjunto de datos para la validación.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# 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=____)
Editar y ejecutar código