Zacznij terazZacznij za darmo

Przygotowanie modelu do strojenia

Nastroimy hiperparametry modelu klasyfikacji binarnej, który dobrze klasyfikuje zbiór danych dotyczący raka piersi.

Wiesz już, że pierwszym krokiem do przekształcenia modelu w estymator sklearn jest zbudowanie funkcji, która go tworzy. Definicja tej funkcji jest istotna, ponieważ strojenie hiperparametrów polega na zmienianiu argumentów, jakie ta funkcja przyjmuje.

Zbuduj prostą funkcję create_model(), która przyjmuje jako argumenty współczynnik uczenia oraz funkcję aktywacji. Optymalizator Adam został zaimportowany jako obiekt z tensorflow.keras.optimizers, dzięki czemu możesz również zmieniać jego parametr współczynnika uczenia.

To ćwiczenie jest częścią kursu

Wprowadzenie do uczenia głębokiego z Keras

Zobacz kurs

Instrukcje do ćwiczenia

  • Ustaw współczynnik uczenia obiektu optymalizatora Adam na wartość przekazaną w argumentach.
  • Ustaw aktywacje warstw ukrytych na tę przekazaną w argumentach.
  • Przekaż optymalizator oraz funkcję straty binarnej entropii krzyżowej do metody .compile().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Creates a model given an activation and learning rate
def create_model(learning_rate, activation):
  
  	# Create an Adam optimizer with the given learning rate
  	opt = Adam(lr = ____)
  	
  	# Create your binary classification model  
  	model = Sequential()
  	model.add(Dense(128, input_shape = (30,), activation = ____))
  	model.add(Dense(256, activation = ____))
  	model.add(Dense(1, activation = 'sigmoid'))
  	
  	# Compile your model with your optimizer, loss, and metrics
  	model.compile(optimizer = ____, loss = ____, metrics = ['accuracy'])
  	return model
Edytuj i uruchom kod