Mengubah ukuran batch
Anda telah melihat bahwa model biasanya dilatih dalam batch dengan ukuran tetap. Semakin kecil ukuran batch, semakin banyak pembaruan bobot per epoch, tetapi dengan konsekuensi penurunan gradien yang lebih tidak stabil. Terutama jika ukuran batch terlalu kecil sehingga tidak merepresentasikan seluruh himpunan data pelatihan.
Mari kita lihat bagaimana berbagai ukuran batch memengaruhi akurasi model klasifikasi biner sederhana yang memisahkan titik merah dari biru.
Anda akan menggunakan ukuran batch satu, memperbarui bobot sekali per sampel dalam himpunan data pelatihan pada setiap epoch. Lalu Anda akan menggunakan seluruh himpunan data, memperbarui bobot hanya sekali per epoch.
Latihan ini merupakan bagian dari kursus
Pengantar Deep Learning dengan Keras
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])