Callback historii

Callback historii jest zwracany domyślnie za każdym razem, gdy trenujesz model metodą .fit(). Aby uzyskać dostęp do tych metryk, odwołaj się do parametru słownika history wewnątrz zwróconego obiektu h_callback, używając odpowiednich kluczy.

Model maszyny nawadniającej (model), który zbudowałeś w poprzedniej lekcji, jest już wczytany i gotowy do trenowania. Cechy i etykiety są dostępne jako X_train, y_train, X_test, y_test. Tym razem zapiszesz callback history modelu i użyjesz parametru validation_data podczas trenowania.

Wyniki zapisane w history zwizualizujesz za pomocą funkcji plot_accuracy() i plot_loss() – dwóch prostych funkcji matplotlib. Możesz sprawdzić ich kod w konsoli, wklejając show_code(plot_loss).

Zobaczmy, co dzieje się za kulisami podczas trenowania!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Instrukcje do ćwiczenia

Wytrenuj model na danych X_train i y_train, walidując każdą epokę na X_test i y_test.
Użyj plot_loss, wyodrębniając loss i val_loss z h_callback.
Użyj plot_accuracy, wyodrębniając accuracy i val_accuracy z h_callback.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Train your model and save its history
h_callback = ____.____(____, ____, epochs = 25,
               validation_data=(____, ____))

# Plot train vs test loss during training
plot_loss(h_callback.history[____], h_callback.history[____])

# Plot train vs test accuracy during training
plot_accuracy(h_callback.history[____], h_callback.history[____])

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

W pierwszym rozdziale poznasz sieci neuronowe, zrozumiesz, jakie problemy potrafią rozwiązywać i kiedy warto po nie sięgnąć. Zbudujesz też kilka sieci i ocalisz Ziemię, trenując model regresji, który przybliża orbitę zbliżającego się meteoru!

Exercise 1: Czym jest Keras?Exercise 2: Opisywanie Kerasa Exercise 3: Czy użyjesz uczenia głębokiego?Exercise 4: Twoja pierwsza sieć neuronowa Exercise 5: Sieci neuronowe – pierwsze kroki!Exercise 6: Liczenie parametrów Exercise 7: Zbuduj zgodnie ze schematem!Exercise 8: Jak przeżyć uderzenie meteorytu Exercise 9: Definiowanie modelu Exercise 10: Trenowanie modelu Exercise 11: Przewidywanie orbity!

Po ukończeniu tego rozdziału będziesz wiedzieć, jak rozwiązywać problemy binarne, wieloklasowe i wieloetykietowe za pomocą sieci neuronowych. Nauczysz się tego, wykrywając fałszywe banknoty, ustalając, kto rzucił którą strzałką w tarczę, i budując inteligentny system nawadniania pola. Dowiesz się też, jak wizualizować metryki trenowania modelu oraz jak zatrzymywać trening i zapisywać modele, gdy przestają się poprawiać.

Exercise 1: Klasyfikacja binarna Exercise 2: Eksploracja banknotów dolarowych Exercise 3: Model binarnej klasyfikacji Exercise 4: Czy ten banknot jest fałszywy?Exercise 5: Klasyfikacja wieloklasowa Exercise 6: Model wieloklasowy Exercise 7: Przygotuj zbiór danych Exercise 8: Trenowanie na rzucających lotkami Exercise 9: Predykcje softmax Exercise 10: Klasyfikacja wieloetykietowa Exercise 11: Maszyna nawadniająca Exercise 12: Trenowanie z wieloma etykietami Exercise 13: Callbacki Keras Exercise 14: Callback historii

Bieżące ćwiczenie

Exercise 15: Wczesne zatrzymywanie modelu Exercise 16: Połączenie wywołań zwrotnych

W poprzednich rozdziałach wytrenowałeś sporo modeli! Teraz nauczysz się interpretować krzywe uczenia, aby lepiej rozumieć, co dzieje się podczas trenowania. Zwizualizujesz też wpływ funkcji aktywacji, rozmiarów wsadu i normalizacji wsadowej. Na koniec poznasz sposób automatycznej optymalizacji hiperparametrów modeli Keras z użyciem sklearn.

Exercise 1: Krzywe uczenia Exercise 2: Rozpoznawanie cyfr Exercise 3: Czy model jest przeuczony?Exercise 4: Czy potrzebujemy więcej danych?Exercise 5: Funkcje aktywacji Exercise 6: Różne funkcje aktywacji Exercise 7: Porównywanie funkcji aktywacji Exercise 8: Porównanie funkcji aktywacji II Exercise 9: Rozmiar wsadu i normalizacja wsadu Exercise 10: Zmiana rozmiarów wsadu Exercise 11: Normalizacja wsadowa w znajomym modelu Exercise 12: Efekty normalizacji wsadowej Exercise 13: Strojenie hiperparametrów Exercise 14: Przygotowanie modelu do strojenia Exercise 15: Strojenie parametrów modelu Exercise 16: Trening z walidacją krzyżową

Czas na bardziej zaawansowane architektury! Zbudujesz autoenkoder do rekonstrukcji zaszumionych obrazów, zwizualizujesz aktywacje splotowej sieci neuronowej, wykorzystasz wstępnie wytrenowane modele do klasyfikacji obrazów, a także poznasz rekurencyjne sieci neuronowe i pracę z tekstem – budując sieć przewidującą kolejne słowo w zdaniu.

Exercise 1: Tensory, warstwy i autokodery Exercise 2: Przepływ tensorów Exercise 3: Neuronowe rozdzielanie Exercise 4: Budowanie autoenkodera Exercise 5: Odszumianie jak autoenkoder Exercise 6: Wprowadzenie do CNN Exercise 7: Budowanie modelu CNN Exercise 8: Analiza konwolucji Exercise 9: Przygotowanie obrazu wejściowego Exercise 10: Zastosowanie modelu ze świata rzeczywistego Exercise 11: Wprowadzenie do sieci LSTM Exercise 12: Przewidywanie tekstu z użyciem LSTM Exercise 13: Zbuduj model LSTM Exercise 14: Dekodowanie predykcji Exercise 15: Przetestuj swój model!Exercise 16: Gotowe!