Zmiana rozmiarów wsadu
Modele są zazwyczaj trenowane w wsadach o stałym rozmiarze. Im mniejszy wsad, tym więcej aktualizacji wag na epokę – ale kosztem mniej stabilnego zejścia gradientowego. Dzieje się tak szczególnie wtedy, gdy wsad jest zbyt mały i nie reprezentuje całego zbioru treningowego.
Sprawdź, jak różne rozmiary wsadów wpływają na dokładność prostego modelu klasyfikacji binarnej, który rozróżnia czerwone i niebieskie punkty.
Na początku użyjesz wsadu o rozmiarze jeden – wagi będą aktualizowane osobno dla każdej próbki w zbiorze treningowym w każdej epoce. Następnie użyjesz całego zbioru danych i będziesz aktualizować wagi tylko raz na epokę.
To ćwiczenie jest częścią kursu
Wprowadzenie do uczenia głębokiego z Keras
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])