Mulai sekarangMulai gratis

Kombinasi callback

Model deep learning dapat memerlukan waktu lama untuk dilatih, terutama ketika Anda beralih ke arsitektur yang lebih dalam dan himpunan data yang lebih besar. Menyimpan model setiap kali terjadi peningkatan serta menghentikannya saat tidak lagi membaik membuat Anda tidak perlu terlalu khawatir memilih jumlah epoch untuk pelatihan. Anda juga dapat memulihkan model yang telah disimpan kapan saja dan melanjutkan pelatihan dari titik terakhir.

Data pelatihan dan validasi model tersedia di workspace Anda sebagai X_train, X_test, y_train, dan y_test.

Gunakan callback EarlyStopping() dan ModelCheckpoint() sehingga Anda bisa pergi menikmati setoples kue sambil membiarkan komputer Anda bekerja!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Lihat Kursus

Instruksi latihan

  • Impor kedua callback EarlyStopping dan ModelCheckpoint dari tensorflow.keras.
  • Buat monitor_val_acc sebagai callback EarlyStopping yang akan memantau 'val_accuracy', dengan patience selama 3 epoch.
  • Buat model_checkpoint sebagai callback ModelCheckpoint, simpan model terbaik sebagai best_banknote_model.hdf5.
  • Latih model Anda dengan menyediakan sebuah list berisi callback yang telah didefinisikan serta X_test dan y_test sebagai data validasi.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import the EarlyStopping and ModelCheckpoint callbacks
from tensorflow.____.____ import ____, ____

# Early stop on validation accuracy
monitor_val_acc = ____(monitor = ____, patience = ____)

# Save the best model as best_banknote_model.hdf5
model_checkpoint = ____(____, save_best_only = True)

# Fit your model for a stupid amount of epochs
h_callback = model.fit(X_train, y_train,
                    epochs = 1000000000000,
                    callbacks = [____, ____],
                    validation_data = (____, ____))
Edit dan Jalankan Kode