Mulai sekarangMulai gratis

Apakah kita memerlukan lebih banyak data?

Saatnya memeriksa apakah model untuk digits dataset yang Anda bangun akan mendapat manfaat dari lebih banyak contoh pelatihan!

Agar kode tetap minimal, berbagai hal sudah diinisialisasi dan siap digunakan:

  • model yang baru saja Anda bangun.
  • X_train, y_train, X_test, dan y_test.
  • initial_weights dari model Anda, disimpan setelah menggunakan model.get_weights().
  • Daftar ukuran pelatihan yang sudah ditentukan: training_sizes.
  • Callback early stopping yang sudah ditentukan untuk memantau loss: early_stop.
  • Dua daftar kosong untuk menyimpan hasil evaluasi: train_accs dan test_accs.

Latih model Anda pada berbagai ukuran data pelatihan dan evaluasi hasilnya pada X_test. Akhiri dengan mem-plot hasil menggunakan plot_results().

Kode lengkap untuk latihan ini dapat ditemukan pada slide!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Lihat Kursus

Instruksi latihan

  • Ambil sebagian data pelatihan yang ditentukan oleh size yang sedang dievaluasi dalam loop.
  • Atur bobot model ke initial_weights dengan set_weights() dan latih model Anda pada sebagian data pelatihan menggunakan early_stop sebagai callback.
  • Evaluasi dan simpan akurasi untuk bagian data pelatihan dan himpunan uji.
  • Panggil plot_results() dengan meneruskan akurasi pelatihan dan uji untuk setiap ukuran pelatihan.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

for size in training_sizes:
  	# Get a fraction of training data (we only care about the training data)
    X_train_frac, y_train_frac = X_train[:size], y_train[:size]

    # Reset the model to the initial weights and train it on the new training data fraction
    model.set_weights(____)
    model.fit(X_train_frac, y_train_frac, epochs = 50, callbacks = [early_stop])

    # Evaluate and store both: the training data fraction and the complete test set results
    train_accs.append(model.evaluate(____, ____)[1])
    test_accs.append(model.evaluate(____, ____)[1])
    
# Plot train vs test accuracies
plot_results(____, ____)
Edit dan Jalankan Kode