Eksperymenty z szerszymi sieciami

Wiesz już wszystko, czego potrzebujesz, żeby zacząć eksperymentować z różnymi modelami!

Model o nazwie model_1 został wcześniej wczytany. Jego podsumowanie możesz zobaczyć w konsoli IPython. To stosunkowo mała sieć – ma zaledwie 10 jednostek w każdej warstwie ukrytej.

W tym ćwiczeniu stworzysz nowy model o nazwie model_2, podobny do model_1, ale z 100 jednostkami w każdej warstwie ukrytej.

Po utworzeniu model_2 oba modele zostaną wytrenowane, a wykres przedstawiający wartość funkcji straty dla każdej epoki zostanie wyświetlony dla obu modeli. Do poleceń trenowania dodano argument verbose=False, aby ograniczyć liczbę wyświetlanych komunikatów – wyniki będziesz analizować graficznie, nie jako tekst.

Ponieważ trenujesz dwa modele, po kliknięciu Uruchom kod wyniki mogą pojawić się z chwilowym opóźnieniem – bądź cierpliwy.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Stwórz model_2 jako odpowiednik model_1, ale użyj 100 węzłów zamiast 10 dla pierwszych dwóch warstw Dense z aktywacją 'relu'. Dla wyjściowej warstwy Dense użyj 2 węzłów i aktywacji 'softmax'.
Skompiluj model_2 tak samo jak poprzednie modele: użyj 'adam' jako optimizer, 'categorical_crossentropy' jako funkcji straty oraz metrics=['accuracy'].
Kliknij Prześlij odpowiedź, aby wytrenować oba modele i sprawdzić graficznie, który z nich daje lepsze wyniki! Zwróć uwagę na argument verbose=False w model.fit() – ogranicza on liczbę wyświetlanych komunikatów, ponieważ modele będziesz oceniać na podstawie wykresów, a nie tekstu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Define early_stopping_monitor
early_stopping_monitor = EarlyStopping(patience=2)

# Create the new model: model_2
model_2 = ____

# Add the first and second layers
____.____(____(____, ____=____, input_shape=input_shape))
____

# Add the output layer
____

# Compile model_2
____

# Fit model_1
model_1_training = model_1.fit(predictors, target, epochs=15, validation_split=0.2, callbacks=[early_stopping_monitor], verbose=False)

# Fit model_2
model_2_training = model_2.fit(predictors, target, epochs=15, validation_split=0.2, callbacks=[early_stopping_monitor], verbose=False)

# Create the plot
plt.plot(model_1_training.history['val_loss'], 'r', model_2_training.history['val_loss'], 'b')
plt.xlabel('Epochs')
plt.ylabel('Validation score')
plt.show()

Edytuj i uruchom kod