Porównanie funkcji aktywacji II
Kod z poprzedniego ćwiczenia został wykonany, aby uzyskać zmienną activation_results – tym razem użyto 100 epok zamiast 20. Dzięki temu będziesz mieć więcej epok do porównania, jak przebiega trening dla każdej funkcji aktywacji.
Dla każdego h_callback z każdej funkcji aktywacji w activation_results:
- Wyodrębniono
h_callback.history['val_loss']. - Wyodrębniono
h_callback.history['val_accuracy'].
Obie wartości zostały zapisane w dwóch słownikach: val_loss_per_function i val_acc_per_function.
Biblioteka pandas jest już załadowana jako pd. Czas narysować wykresy straty walidacyjnej i dokładności!
To ćwiczenie jest częścią kursu
Wprowadzenie do uczenia głębokiego z Keras
Instrukcje do ćwiczenia
- Użyj
pd.DataFrame(), aby utworzyć nowy DataFrame ze słownikaval_loss_per_function. - Wywołaj
plot()na tym DataFrame. - Utwórz kolejny DataFrame z biblioteki pandas na podstawie
val_acc_per_function. - Ponownie wywołaj
plot()na tym DataFrame.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)
# Call plot on the dataframe
____
plt.show()
# Create a dataframe from val_acc_per_function
val_acc = _____
# Call plot on the dataframe
____
plt.show()