Entraînement d'un réseau neuronal convolutif pour classer les types de vêtements

Avant de former un réseau neuronal, il est nécessaire de le compiler avec la fonction de coût appropriée, en utilisant l'optimiseur adéquat. Lors de la compilation, vous pouvez également définir des métriques que le réseau calcule et rapporte à chaque époque. L'ajustement du modèle nécessite un ensemble de données d'apprentissage, ainsi que les étiquettes d'apprentissage pour le réseau.

L'model Conv2D 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 réseau à l'aide de l'optimiseur « 'adam' » et de la fonction de coût « 'categorical_crossentropy' ». Dans la liste des métriques, veuillez définir que le réseau à signaler est 'accuracy'.
Veuillez consulter le réseau sur train_data et train_labels. Entraînez-vous pendant 3 époques avec un lot de 10 images. Lors de l'entraînement, veuillez réserver 20 % des données comme ensemble de validation, en utilisant l'argument clé validation_split.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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