Mulai sekarangMulai gratis

Dampak batch normalization

Batch normalization cenderung meningkatkan kecepatan pembelajaran model dan membuat kurva pembelajaran menjadi lebih stabil. Mari kita lihat perbandingan dua model identik dengan dan tanpa batch normalization.

Model yang baru saja Anda bangun, batchnorm_model, telah dimuat dan siap digunakan. Salinan persisnya tanpa batch normalization: standard_model, juga tersedia. Anda dapat memeriksa summary() keduanya di konsol. X_train, y_train, X_test, dan y_test juga telah dimuat agar Anda dapat melatih kedua model tersebut.

Anda akan membandingkan kurva pembelajaran akurasi untuk kedua model dengan memplotnya menggunakan compare_histories_acc().

Anda dapat melihat fungsi tersebut dengan menempelkan show_code(compare_histories_acc) di konsol.

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Lihat Kursus

Instruksi latihan

  • Latih standard_model selama 10 epoch dengan memasukkan data latih dan validasi, lalu simpan riwayatnya di h1_callback.
  • Latih batchnorm_model Anda selama 10 epoch dengan memasukkan data latih dan validasi, lalu simpan riwayatnya di h2_callback.
  • Panggil compare_histories_acc dengan memasukkan h1_callback dan h2_callback.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Train your standard model, storing its history callback
h1_callback = standard_model.fit(____, ____, validation_data=(____,____), epochs=____, verbose=0)

# Train the batch normalized model you recently built, store its history callback
h2_callback = batchnorm_model.fit(____, ____, validation_data=____, epochs=____, verbose=0)

# Call compare_histories_acc passing in both model histories
compare_histories_acc(____, ____)
Edit dan Jalankan Kode