Modifier la taille des lots
Vous avez vu que les modèles sont généralement entraînés par lots d'une taille fixe. Plus la taille d'un lot est petite, plus il y a de mises à jour des poids par époque, mais au prix d'une descente de gradient plus instable, surtout si le lot est trop petit et non représentatif de l'ensemble d'entraînement au complet.
Voyons comment différentes tailles de lots influencent la précision d'un modèle simple de classification binaire qui sépare les points rouges des bleus.
Vous utiliserez une taille de lot de un, en mettant à jour les poids une fois par échantillon de votre ensemble d'entraînement à chaque époque. Ensuite, vous utiliserez l'ensemble des données, en mettant à jour les poids une seule fois par époque.
Cette activité fait partie du cours
Introduction à Deep Learning avec Keras
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])