Membandingkan fungsi aktivasi II

Kode yang Anda tulis pada latihan sebelumnya telah dijalankan untuk memperoleh variabel activation_results, kali ini 100 epoch digunakan alih-alih 20. Dengan cara ini, Anda akan memiliki lebih banyak epoch untuk membandingkan lebih jauh bagaimana proses pelatihan berkembang pada setiap fungsi aktivasi.

Untuk setiap h_callback dari tiap fungsi aktivasi di dalam activation_results:

h_callback.history['val_loss'] telah diekstrak.
h_callback.history['val_accuracy'] telah diekstrak.

Keduanya disimpan ke dalam dua dictionary: val_loss_per_function dan val_acc_per_function.

Pandas juga telah dimuat sebagai pd untuk Anda gunakan. Mari kita plot grafik kerugian dan akurasi validasi secara cepat!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Instruksi latihan

Gunakan pd.DataFrame() untuk membuat DataFrame baru dari dictionary val_loss_per_function.
Panggil plot() pada DataFrame tersebut.
Buat satu pandas DataFrame lagi dari val_acc_per_function.
Sekali lagi, plot DataFrame tersebut.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)

# Call plot on the dataframe
____
plt.show()

# Create a dataframe from val_acc_per_function
val_acc = _____

# Call plot on the dataframe
____
plt.show()

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Di bab pertama ini, Anda akan diperkenalkan pada jaringan saraf, memahami jenis masalah yang dapat diselesaikan, serta kapan harus menggunakannya. Anda juga akan membangun beberapa jaringan dan menyelamatkan bumi dengan melatih model regresi yang mendekati orbit meteorit yang sedang mendekati kita!

Exercise 1: Apa itu Keras?Exercise 2: Mendeskripsikan Keras Exercise 3: Apakah Anda akan menggunakan deep learning?Exercise 4: Jaringan saraf pertama Anda Exercise 5: Halo, nets!Exercise 6: Menghitung parameter Exercise 7: Bangun seperti pada gambar!Exercise 8: Bertahan dari hantaman meteor Exercise 9: Menentukan sebuah model Exercise 10: Pelatihan Exercise 11: Memprediksi orbit!

Pada akhir bab ini, Anda akan mengetahui cara menyelesaikan masalah biner, multikelas, dan multilabel dengan jaringan saraf. Semua ini dilakukan melalui pemecahan masalah seperti mendeteksi uang dolar palsu, menentukan siapa yang melempar dart mana ke papan, dan membangun sistem cerdas untuk menyiram lahan Anda. Anda juga akan dapat memplot metrik pelatihan model serta menghentikan pelatihan dan menyimpan model saat tidak ada peningkatan lagi.

Exercise 1: Klasifikasi biner Exercise 2: Mengeksplorasi lembar dolar Exercise 3: Model klasifikasi biner Exercise 4: Apakah lembar dolar ini palsu?Exercise 5: Klasifikasi multi-kelas Exercise 6: Model multi-kelas Exercise 7: Siapkan himpunan data Anda Exercise 8: Melatih pada pelempar dart Exercise 9: Prediksi softmax Exercise 10: Klasifikasi multi-label Exercise 11: Sebuah mesin irigasi Exercise 12: Pelatihan dengan banyak label Exercise 13: Keras callbacks Exercise 14: Callback history Exercise 15: Early stopping pada model Anda Exercise 16: Kombinasi callback

Pada bab-bab sebelumnya, Anda telah melatih banyak model! Sekarang Anda akan mempelajari cara menafsirkan kurva pembelajaran untuk memahami model saat dilatih. Anda juga akan memvisualisasikan efek fungsi aktivasi, ukuran batch, dan normalisasi batch. Terakhir, Anda akan mempelajari cara melakukan optimisasi hiperparameter otomatis pada model Keras menggunakan sklearn.

Exercise 1: Kurva pembelajaran Exercise 2: Mengenali digit Exercise 3: Apakah model overfitting?Exercise 4: Apakah kita memerlukan lebih banyak data?Exercise 5: Fungsi aktivasi Exercise 6: Fungsi aktivasi yang berbeda Exercise 7: Membandingkan fungsi aktivasi Exercise 8: Membandingkan fungsi aktivasi II

Latihan Saat Ini

Exercise 9: Ukuran batch dan normalisasi batch Exercise 10: Mengubah ukuran batch Exercise 11: Melakukan batch normalization pada model yang familier Exercise 12: Dampak batch normalization Exercise 13: Penyetelan hiperparameter Exercise 14: Menyiapkan model untuk penalaan Exercise 15: Menyetel parameter model Exercise 16: Pelatihan dengan validasi silang

Saatnya berkenalan dengan arsitektur yang lebih maju! Anda akan membuat autoencoder untuk merekonstruksi gambar yang bising, memvisualisasikan aktivasi convolutional neural network, menggunakan model deep yang telah dilatih sebelumnya untuk mengklasifikasikan gambar, dan mempelajari lebih lanjut tentang recurrent neural networks serta bekerja dengan teks saat Anda membangun jaringan yang memprediksi kata berikutnya dalam sebuah kalimat.

Exercise 1: Tensor, layer, dan autoencoder Exercise 2: Aliran tensor Exercise 3: Pemisahan neural Exercise 4: Membangun autoencoder Exercise 5: Menghilangkan derau seperti autoencoder Exercise 6: Pengantar CNN Exercise 7: Membangun model CNN Exercise 8: Melihat konvolusi Exercise 9: Menyiapkan gambar masukan Anda Exercise 10: Menggunakan model dunia nyata Exercise 11: Pengenalan LSTM Exercise 12: Prediksi teks dengan LSTM Exercise 13: Bangun model LSTM Anda Exercise 14: Dekode prediksi Anda Exercise 15: Uji model Anda!Exercise 16: Selesai!