Trenowanie na rzucających lotkami

Model jest już gotowy – podobnie jak zbiór danych. Czas na trening!

Cechy coordinates i etykiety competitors, które właśnie przekształcono, zostały podzielone na coord_train, coord_test oraz competitors_train, competitors_test.

Załadowano również twój model. Możesz swobodnie zwizualizować dane treningowe lub wywołać model.summary() w konsoli.

Sprawdźmy, kto rzucił którą lotką – patrząc tylko na tarczę!

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Instrukcje do ćwiczenia

Wytrenuj swój model na danych treningowych przez 200 epochs.
Oceń dokładność swojego model na danych testowych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Fit your model to the training data for 200 epochs
model.____(____,____,____=____)

# Evaluate your model accuracy on the test data
accuracy = ____.____(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)

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

Bieżące ćwiczenie

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 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!