Zacznij terazZacznij za darmo

Trenowanie sieci neuronowych w TensorFlow

W poprzednim ćwiczeniu zdefiniowano model model(w1, b1, w2, b2, features) oraz funkcję straty loss_function(w1, b1, w2, b2, features, targets) – obie są dostępne w tym ćwiczeniu. Teraz wytrenuj model, a następnie oceń jego działanie, przewidując wyniki dotyczące niespłacenia zobowiązań na zbiorze testowym, który składa się z test_features i test_targets. Zmiennymi treningowymi są w1, b1, w2 i b2. Dodatkowo zaimportowano dla ciebie następujące operacje: keras.activations.relu() oraz keras.layers.Dropout().

To ćwiczenie jest częścią kursu

Wprowadzenie do TensorFlow w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Ustaw optymalizator tak, aby wykonywał minimalizację.
  • Dodaj cztery zmienne treningowe do var_list w kolejności, w jakiej pojawiają się jako argumenty funkcji loss_function().
  • Użyj modelu i test_features, aby przewidzieć wartości dla test_targets.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Train the model
for j in range(100):
    # Complete the optimizer
	opt.____(lambda: loss_function(w1, b1, w2, b2), 
                 var_list=[____, ____, ____, ____])

# Make predictions with model using test features
model_predictions = model(w1, b1, w2, b2, ____)

# Construct the confusion matrix
confusion_matrix(test_targets, model_predictions)
Edytuj i uruchom kod