शुरू करेंमुफ़्त में शुरू करें

Wider नेटवर्क्स के साथ प्रयोग

अब आपके पास अलग-अलग मॉडल्स के साथ प्रयोग शुरू करने के लिए ज़रूरी सब कुछ है!

model_1 नाम का एक मॉडल पहले से लोड किया गया है. आप इसका सारांश IPython Shell में प्रिंट होते देख सकते हैं. यह अपेक्षाकृत छोटा नेटवर्क है, जिसमें हर hidden लेयर में सिर्फ 10 यूनिट्स हैं.

इस अभ्यास में आप model_2 नाम का एक नया मॉडल बनाएँगे जो model_1 जैसा है, बस इसमें हर hidden लेयर में 100 यूनिट्स होंगे.

model_2 बनाने के बाद, दोनों मॉडल फिट किए जाएँगे, और एक ग्राफ दिखेगा जिसमें हर epoch पर दोनों मॉडलों का loss स्कोर होगा. हमने फिटिंग कमांड्स में verbose=False आर्ग्युमेंट जोड़ा है ताकि कम अपडेट्स प्रिंट हों, क्योंकि आप इन्हें टेक्स्ट की बजाय ग्राफ़िकली देखेंगे.

क्योंकि आप दो मॉडल फिट कर रहे हैं, Run Code दबाने के बाद आउटपुट आने में थोड़ा समय लगेगा, इसलिए धैर्य रखें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Deep Learning परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • model_1 को दोहराते हुए model_2 बनाइए, लेकिन पहली दो Dense लेयर्स के लिए 10 की जगह 100 नोड्स रखें और एक्टिवेशन 'relu' रखें. Dense आउटपुट लेयर के लिए 2 नोड्स का उपयोग करें और activation 'softmax' रखें.
  • model_2 को पहले की तरह कंपाइल करें: optimizer के रूप में 'adam', loss के लिए 'categorical_crossentropy', और metrics=['accuracy'].
  • दोनों मॉडल्स को फिट करने और यह देखने के लिए कि कौन बेहतर परिणाम देता है, 'Submit Answer' दबाएँ! ध्यान दें, model.fit() में verbose=False कीवर्ड आर्ग्युमेंट दिया गया है: इससे कम अपडेट्स प्रिंट होते हैं, क्योंकि आप मॉडलों का आकलन टेक्स्ट की बजाय ग्राफ़िकली करेंगे.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Define early_stopping_monitor
early_stopping_monitor = EarlyStopping(patience=2)

# Create the new model: model_2
model_2 = ____

# Add the first and second layers
____.____(____(____, ____=____, input_shape=input_shape))
____

# Add the output layer
____

# Compile model_2
____

# Fit model_1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.2, callbacks=[early_stopping_monitor], verbose=False)

# Fit model_2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.2, callbacks=[early_stopping_monitor], verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()
कोड संपादित करें और चलाएँ