Ottimizzare i parametri del modello

È il momento di provare diversi parametri sul tuo modello e vedere come si comporta!

La funzione create_model() che hai creato nell'esercizio precedente è pronta all'uso.

Dato che eseguire il fitting dell'oggetto RandomizedSearchCV richiederebbe troppo tempo, i risultati che otterresti sono stampati nella funzione show_results(). Puoi provare tu stesso random_search.fit(X,y) nella console per verificare che funzioni dopo aver costruito tutto il resto, ma probabilmente l'esercizio andrà in timeout (quindi copia prima il tuo codice se vuoi provarci, altrimenti potresti perdere i progressi!).

Non hai bisogno di usare i parametri opzionali epochs e batch_size quando costruisci il tuo oggetto KerasClassifier, perché li stai passando come params alla ricerca casuale e questo è già sufficiente.

Questo esercizio fa parte del corso

Introduzione al Deep Learning con Keras

Visualizza corso

Istruzioni dell'esercizio

Importa KerasClassifier dai wrapper scikit_learn di tensorflow.keras.
Usa la tua funzione create_model quando istanzi il tuo KerasClassifier.
Imposta 'relu' e 'tanh' come activation, 32, 128 e 256 come batch_size, 50, 100 e 200 come epochs, e learning_rate pari a 0.1, 0.01 e 0.001.
Passa il tuo model convertito e i params scelti quando costruisci l'oggetto RandomizedSearchCV.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Import KerasClassifier from tensorflow.keras scikit learn wrappers
from tensorflow.keras.wrappers.____ import ____

# Create a KerasClassifier
model = KerasClassifier(build_fn = ____)

# Define the parameters to try out
params = {'activation': [____, ____], 'batch_size': [____, ____, ____], 
          'epochs': [____, ____, ____], 'learning_rate': [____, ____, ____]}

# Create a randomize search cv object passing in the parameters to try
random_search = RandomizedSearchCV(____, param_distributions = ____, cv = KFold(3))

# Running random_search.fit(X,y) would start the search,but it takes too long! 
show_results()

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Introduzione al Deep Learning con Keras

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo primo capitolo farai conoscenza con le reti neurali, capirai quali tipi di problemi possono risolvere e quando usarle. Costruirai anche diverse reti e salverai la Terra addestrando un modello di regressione che approssima l'orbita di un meteorite in avvicinamento!

Exercise 1: Che cos'è Keras?Exercise 2: Descrivere Keras Exercise 3: Useresti il deep learning?Exercise 4: Il tuo primo neural network Exercise 5: Ciao, reti!Exercise 6: Contare i parametri Exercise 7: Costruisci come mostrato!Exercise 8: Sopravvivere a un impatto meteorico Exercise 9: Definire un modello Exercise 10: Addestramento Exercise 11: Prevedere l'orbita!

Alla fine di questo capitolo saprai come risolvere con le reti neurali problemi binari, multiclasse e multilabel. Lo farai affrontando sfide come individuare banconote false, decidere chi ha lanciato quale freccetta su un bersaglio e costruire un sistema intelligente per irrigare la tua fattoria. Inoltre, saprai tracciare le metriche di addestramento del modello e interrompere l'addestramento salvando i modelli quando non migliorano più.

Exercise 1: Classificazione binaria Exercise 2: Esplorare le banconote in dollari Exercise 3: Un modello di classificazione binaria Exercise 4: Questa banconota è falsa?Exercise 5: Classificazione multiclasse Exercise 6: Un modello multiclasse Exercise 7: Prepara il tuo insieme di dati Exercise 8: Allenare i lanciatori di freccette Exercise 9: Predizioni softmax Exercise 10: Classificazione multi-etichetta Exercise 11: Una macchina per l'irrigazione Exercise 12: Addestramento con etichette multiple Exercise 13: Callback di Keras Exercise 14: La callback di history Exercise 15: Early stopping del tuo modello Exercise 16: Una combinazione di callback

Nei capitoli precedenti hai addestrato molti modelli! Ora imparerai a interpretare le curve di apprendimento per capire come si comportano durante l'addestramento. Visualizzerai anche gli effetti delle funzioni di attivazione, delle dimensioni dei batch e della batch normalization. Infine, imparerai a eseguire l'ottimizzazione automatica degli iperparametri dei modelli Keras usando sklearn.

Exercise 1: Curve di apprendimento Exercise 2: Imparare le cifre Exercise 3: Il modello sta facendo overfitting?Exercise 4: Ci servono più dati?Exercise 5: Funzioni di attivazione Exercise 6: Funzioni di attivazione diverse Exercise 7: Confrontare le funzioni di attivazione Exercise 8: Confrontare le funzioni di attivazione II Exercise 9: Dimensione del batch e batch normalization Exercise 10: Modificare le dimensioni del batch Exercise 11: Batch normalization su un modello già visto Exercise 12: Effetti della batch normalization Exercise 13: Ottimizzazione degli iperparametri Exercise 14: Preparare un modello per il tuning Exercise 15: Ottimizzare i parametri del modello

Esercizio attuale

Exercise 16: Addestramento con cross-validation

È il momento di conoscere architetture più avanzate! Creerai un autoencoder per ricostruire immagini rumorose, visualizzerai le attivazioni di una convolutional neural network, userai modelli profondi pre-addestrati per classificare immagini e approfondirai le recurrent neural network e il lavoro con il testo costruendo una rete che predice la parola successiva in una frase.

Exercise 1: Tensori, layer e autoencoder Exercise 2: È un flusso di tensori Exercise 3: Separazione neurale Exercise 4: Costruire un autoencoder Exercise 5: Rimuovere il rumore come un autoencoder Exercise 6: Introduzione alle CNN Exercise 7: Costruire un modello CNN Exercise 8: Osservare le convoluzioni Exercise 9: Preparare l'immagine di input Exercise 10: Usare un modello reale Exercise 11: Introduzione alle LSTM Exercise 12: Previsione di testo con le LSTM Exercise 13: Costruisci il tuo modello LSTM Exercise 14: Decodifica le tue previsioni Exercise 15: Metti alla prova il tuo modello!Exercise 16: Hai finito!