1. Learn
    2. /
  2. Courses
    3. /
  3. Wprowadzenie do uczenia głębokiego w Pythonie
Connected

Exercise

Wczesne zatrzymywanie: optymalizacja optymalizacji

Wiesz już, jak monitorować wydajność modelu w trakcie optymalizacji – czas wykorzystać wczesne zatrzymywanie (early stopping), aby przerwać optymalizację, gdy przestaje przynosić efekty. Ponieważ proces zatrzymuje się automatycznie, możesz ustawić dużą wartość parametru epochs w wywołaniu .fit(), tak jak pokazał Dan w filmie.

Model do optymalizacji jest dostępny jako model. Jak poprzednio, dane są wstępnie załadowane jako predictors i target.

Instructions

100 XP
  • Zaimportuj EarlyStopping z tensorflow.keras.callbacks.
  • Skompiluj model, ponownie używając 'adam' jako optimizer, 'categorical_crossentropy' jako funkcji straty oraz metrics=['accuracy'], aby śledzić dokładność w każdej epoce.
  • Utwórz obiekt EarlyStopping o nazwie early_stopping_monitor. Zatrzymaj optymalizację, gdy strata walidacyjna nie poprawi się przez 2 epoki – ustaw parametr patience funkcji EarlyStopping() na 2.
  • Dopasuj model, używając predictors i target. Ustaw liczbę epok (epochs) na 30 i zastosuj podział walidacyjny o wartości 0.3. Przekaż również [early_stopping_monitor] do parametru callbacks.