Comparer les fonctions d'activation II

Ce que vous avez codé dans l'exercice précédent a été exécuté pour obtenir la variable activation_results. Cette fois, 100 époques ont été utilisées au lieu de 20. Vous aurez ainsi plus d'époques pour mieux comparer l'évolution de l'entraînement selon la fonction d'activation.

Pour chaque h_callback de chaque fonction d'activation dans activation_results :

h_callback.history['val_loss'] a été extrait.
h_callback.history['val_accuracy'] a été extrait.

Les deux valeurs sont enregistrées dans deux dictionnaires : val_loss_per_function et val_acc_per_function.

Pandas est aussi importé sous le nom pd pour que vous puissiez l'utiliser. Traçons rapidement des graphiques de la perte et de la précision en validation !

Cette activité fait partie du cours

Introduction à Deep Learning avec Keras

Instructions de l’exercice

Utilisez pd.DataFrame() pour créer un nouveau DataFrame à partir du dictionnaire val_loss_per_function.
Appelez plot() sur le DataFrame.
Créez un autre DataFrame pandas à partir de val_acc_per_function.
Une fois de plus, tracez le DataFrame.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)

# Call plot on the dataframe
____
plt.show()

# Create a dataframe from val_acc_per_function
val_acc = _____

# Call plot on the dataframe
____
plt.show()

Modifier et exécuter le code

Cette activité fait partie du cours

Introduction à Deep Learning avec Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce premier chapitre, vous serez initié aux réseaux neuronaux, vous comprendrez quels types de problèmes ils peuvent résoudre et quand les utiliser. Vous construirez aussi plusieurs réseaux et sauverez la planète en entraînant un modèle de régression qui approxime l'orbite d'un météore qui s'approche de nous !

Exercise 1: Qu'est-ce que Keras ?Exercise 2: Décrire Keras Exercise 3: Utiliseriez-vous le deep learning?Exercise 4: Votre premier réseau de neurones Exercise 5: Bonjour, réseaux !Exercise 6: Compter les paramètres Exercise 7: Reproduisez le modèle illustré!Exercise 8: Survivre à l'impact d'une météorite Exercise 9: Spécifier un modèle Exercise 10: Entraînement Exercise 11: Prédire l'orbite!

À la fin de ce chapitre, vous saurez résoudre des problèmes binaires, multiclasse et multilabel avec des réseaux neuronaux. Vous y parviendrez en relevant des défis comme détecter de faux billets d'un dollar, décider qui a lancé quelle fléchette sur une cible et bâtir un système intelligent pour arroser votre ferme. Vous pourrez aussi tracer les mesures d'entraînement du modèle, arrêter l'entraînement et enregistrer vos modèles lorsqu'ils ne s'améliorent plus.

Exercise 1: Classification binaire Exercise 2: Explorer des billets de banque Exercise 3: Un modèle de classification binaire Exercise 4: Ce billet d'un dollar est-il faux ?Exercise 5: Classification multiclasse Exercise 6: Un modèle multiclasse Exercise 7: Préparer votre jeu de données Exercise 8: Entraîner sur les lanceurs de fléchettes Exercise 9: Prédictions softmax Exercise 10: Classification multilabel Exercise 11: Une machine d'irrigation Exercise 12: Entraîner avec plusieurs étiquettes Exercise 13: Rappels Keras Exercise 14: Le rappel d'historique Exercise 15: Arrêter précocement votre modèle Exercise 16: Une combinaison de callbacks

Dans les chapitres précédents, vous avez entraîné de nombreux modèles ! Vous apprendrez maintenant à interpréter les courbes d'apprentissage pour comprendre vos modèles pendant l'entraînement. Vous visualiserez aussi les effets des fonctions d'activation, des tailles de lot et de la normalisation par lot. Enfin, vous verrez comment effectuer une optimisation automatique des hyperparamètres de vos modèles Keras avec sklearn.

Exercise 1: Courbes d'apprentissage Exercise 2: Apprendre les chiffres Exercise 3: Le modèle fait-il du surapprentissage?Exercise 4: Avons-nous besoin de plus de données ?Exercise 5: Fonctions d'activation Exercise 6: Différentes fonctions d'activation Exercise 7: Comparer les fonctions d'activation Exercise 8: Comparer les fonctions d'activation II

Exercice en cours

Exercise 9: Taille de lot et normalisation par lot Exercise 10: Modifier la taille des lots Exercise 11: Appliquer la normalisation par lot à un modèle familier Exercise 12: Effets de la normalisation par lots Exercise 13: Ajustement des hyperparamètres Exercise 14: Préparer un modèle pour l'optimisation Exercise 15: Ajuster les hyperparamètres du modèle Exercise 16: Entraînement avec validation croisée

Il est temps de découvrir des architectures plus avancées ! Vous créerez un autoencodeur pour reconstituer des images bruitées, visualiserez les activations d'un réseau de neurones convolutif, utiliserez des modèles profonds préentraînés pour classer des images et en apprendrez davantage sur les réseaux neuronaux récurrents et le traitement de texte en bâtissant un réseau qui prédit le prochain mot d'une phrase.

Exercise 1: Tenseurs, couches et autoencodeurs Exercise 2: Un flot de tenseurs Exercise 3: Séparation neuronale Exercise 4: Créer un autoencodeur Exercise 5: Réduction du bruit avec un autoencodeur Exercise 6: Introduction aux CNN Exercise 7: Créer un modèle CNN Exercise 8: Observer les convolutions Exercise 9: Préparer votre image d'entrée Exercise 10: Utiliser un modèle réel Exercise 11: Introduction aux LSTM Exercise 12: Prédiction de texte avec des LSTM Exercise 13: Construire votre modèle LSTM Exercise 14: Décoder vos prédictions Exercise 15: Mettez votre modèle à l'épreuve!Exercise 16: Vous avez terminé !