배치 정규화의 효과
배치 정규화는 일반적으로 모델의 학습 속도를 높이고 학습 곡선을 더 안정적으로 만들어 줍니다. 배치 정규화를 사용한 모델과 사용하지 않은 동일한 두 모델을 비교해 보겠습니다.
방금 만들었던 batchnorm_model이 로드되어 있어 바로 사용할 수 있어요. 배치 정규화를 제외한 동일한 복제본인 standard_model도 준비되어 있습니다. 콘솔에서 두 모델의 summary()를 확인해 보세요. 또한 X_train, y_train, X_test, y_test가 로드되어 있어 두 모델을 모두 학습할 수 있습니다.
compare_histories_acc()로 두 모델의 정확도 학습 곡선을 그려 비교해 볼 거예요.
콘솔에서 show_code(compare_histories_acc)를 붙여 넣으면 함수 코드를 확인할 수 있어요.
이 연습은 강의의 일부입니다
Keras로 시작하는 딥 러닝
연습 안내
- 학습 및 검증 데이터를 전달하여
standard_model을 10 epoch 동안 학습하고, 히스토리를h1_callback에 저장하세요. - 학습 및 검증 데이터를 전달하여
batchnorm_model을 10 epoch 동안 학습하고, 히스토리를h2_callback에 저장하세요. compare_histories_acc를 호출하면서h1_callback과h2_callback을 전달하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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(____, ____)