Een model compileren

De laatste stap bij het maken van een model is het model compileren. Nu je een model hebt gemaakt, moet je het compileren voordat je het op data kunt fitten. Dit rondt je model af, bevriest alle instellingen en maakt het klaar voor data!

Tijdens het compileren geef je de optimizer op om het model op de data te fitten, en een verliesfunctie. 'adam' is een goede standaardoptimizer die over het algemeen goed werkt. De verliesfunctie hangt af van het probleem. Mean squared error is een veelgebruikte verliesfunctie en optimaliseert voor het voorspellen van het gemiddelde, zoals bij kleinste-kwadratenregressie.

Mean absolute error optimaliseert voor de mediaan en wordt gebruikt in kwantielregressie. Voor deze gegevensset werkt 'mean_absolute_error' behoorlijk goed, dus gebruik die als je verliesfunctie.

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Compileer het model dat je hebt gemaakt (model).
Gebruik de optimizer 'adam'.
Gebruik mean absolute error (of 'mean_absolute_error') als verliesfunctie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Compile the model
____(optimizer=____, loss=____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Advanced Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

In this chapter, you'll become familiar with the basics of the Keras functional API. You'll build a simple functional network using functional building blocks, fit it to data, and make predictions.

Exercise 1: Keras input- en dense-lagen Exercise 2: Invoerlagen Exercise 3: Dense-lagen Exercise 4: Outputlagen Exercise 5: Een model bouwen en compileren Exercise 6: Bouw een model Exercise 7: Een model compileren

Huidige oefening

Exercise 8: Visualiseer een model Exercise 9: Een model trainen en evalueren Exercise 10: Train het model op de toernooi-basketbaldata Exercise 11: Evalueer het model op een testset

In this chapter, you will build two-input networks that use categorical embeddings to represent high-cardinality data, shared layers to specify re-usable building blocks, and merge layers to join multiple inputs to a single output. By the end of this chapter, you will have the foundational building blocks for designing neural networks with complex data flows.

Exercise 1: Category embeddings Exercise 2: Define team lookup Exercise 3: Define team model Exercise 4: Shared layers Exercise 5: Defining two inputs Exercise 6: Lookup both inputs in the same model Exercise 7: Merge layers Exercise 8: Output layer using shared layer Exercise 9: Model using two inputs and one output Exercise 10: Predict from your model Exercise 11: Fit the model to the regular season training data Exercise 12: Evaluate the model on the tournament test data

In this chapter, you will extend your 2-input model to 3 inputs, and learn how to use Keras' summary and plot functions to understand the parameters and topology of your neural networks. By the end of the chapter, you will understand how to extend a 2-input model to 3 inputs and beyond.

Exercise 1: Three-input models Exercise 2: Make an input layer for home vs. away Exercise 3: Make a model and compile it Exercise 4: Fit the model and evaluate Exercise 5: Summarizing and plotting models Exercise 6: Model summaries Exercise 7: Plotting models Exercise 8: Stacking models Exercise 9: Add the model predictions to the tournament data Exercise 10: Create an input layer with multiple columns Exercise 11: Fit the model Exercise 12: Evaluate the model

In this chapter, you will build neural networks with multiple outputs, which can be used to solve regression problems with multiple targets. You will also build a model that solves a regression problem and a classification problem simultaneously.

Exercise 1: Two-output models Exercise 2: Simple two-output model Exercise 3: Fit a model with two outputs Exercise 4: Inspect the model (I)Exercise 5: Evaluate the model Exercise 6: Single model for classification and regression Exercise 7: Classification and regression in one model Exercise 8: Compile and fit the model Exercise 9: Inspect the model (II)Exercise 10: Evaluate on new data with two metrics Exercise 11: Wrap-up