Entraîner un CNN à classer des types de vêtements

Avant d'entraîner un réseau de neurones, vous devez le compiler avec la bonne fonction de coût et le bon optimiseur. Au moment de la compilation, vous pouvez aussi définir des mesures que le réseau calculera et affichera à chaque époque. L'ajustement (fit) du modèle exige un ensemble de données d'entraînement, accompagné des étiquettes d'entraînement pour le réseau.

Le model Conv2D que vous avez construit dans l'exercice précédent est disponible dans votre espace de travail.

Cette activité fait partie du cours

Modélisation d'images avec Keras

Voir le cours

Instructions de l’exercice

Compilez le réseau en utilisant l'optimiseur 'adam' et la fonction de coût 'categorical_crossentropy'. Dans la liste des mesures, indiquez que le réseau doit rapporter 'accuracy'.
Ajustez (fit) le réseau sur train_data et train_labels. Entraînez-le pendant 3 époques avec une taille de lot de 10 images. Pendant l'entraînement, réservez 20 % des données comme ensemble de validation en utilisant l'argument mot-clé validation_split.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Compile the model 
model.compile(optimizer=____, 
              loss=____, 
              metrics=[____])

# Fit the model on a training set
model.fit(____, ____, 
          validation_split=____, 
          epochs=____, batch_size=____)

Modifier et exécuter le code