CommencerCommencer gratuitement

Entraîner des réseaux de neurones avec TensorFlow

Dans l’exercice précédent, vous avez défini un modèle, model(w1, b1, w2, b2, features), et une fonction de perte, loss_function(w1, b1, w2, b2, features, targets), tous deux disponibles ici. Vous allez maintenant entraîner le modèle, puis évaluer ses performances en prédisant les défauts de paiement sur un jeu de test, composé de test_features et test_targets, également à votre disposition. Les variables entraînables sont w1, b1, w2 et b2. De plus, les opérations suivantes ont été importées pour vous : keras.activations.relu() et keras.layers.Dropout().

Cet exercice fait partie du cours

Introduction à TensorFlow en Python

Afficher le cours

Instructions

  • Configurez l’optimiseur pour effectuer une minimisation.
  • Ajoutez les quatre variables entraînables à var_list dans l’ordre où elles apparaissent comme arguments de loss_function().
  • Utilisez le modèle et test_features pour prédire les valeurs de test_targets.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Train the model
for j in range(100):
    # Complete the optimizer
	opt.____(lambda: loss_function(w1, b1, w2, b2), 
                 var_list=[____, ____, ____, ____])

# Make predictions with model using test features
model_predictions = model(w1, b1, w2, b2, ____)

# Construct the confusion matrix
confusion_matrix(test_targets, model_predictions)
Modifier et exécuter le code