Entraînez un réseau neuronal profond CNN pour classer des images de vêtements.

L'entraînement d'un modèle d'apprentissage profond est très similaire à l'entraînement d'un réseau à couche unique. Une fois le modèle construit (comme vous l'avez fait dans l'exercice précédent), il doit être compilé avec le bon ensemble de paramètres. Ensuite, le modèle est ajusté en lui fournissant des données d'entraînement ainsi que des étiquettes d'entraînement. Une fois la formation terminée, le modèle peut être évalué à l'aide de données de test.

L'model que vous avez créé dans l'exercice précédent est disponible dans votre espace de travail.

Cet exercice fait partie du cours

Modélisation d'images avec Keras

Afficher le cours

Instructions

Compilez le modèle afin d'utiliser la fonction de perte d'entropie croisée catégorielle et l'optimiseur Adam.
Entraînez le réseau avec l'train_data pendant 3 époques avec des lots de 10 images chacun.
Utilisez 20 % des données d'entraînement sélectionnées de manière aléatoire comme données de validation pendant l'entraînement.
Évaluez le modèle à l'aide de la méthode d'apprentissage automatique « test_data », en utilisant une taille de lot de 10.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Compile model
model.____(optimizer=____, 
              loss='categorical_crossentropy', 
              metrics=['accuracy'])

# Fit the model to training data 
model.____(____, ____, 
          validation_split=0.2, 
          epochs=3, batch_size=10)

# Evaluate the model on test data
model.____(____, ____, batch_size=10)

Modifier et exécuter le code