1. 学ぶ
    2. /
  2. コース
    3. /
  3. Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras
Connected

演習

Transfer learning jako punkt wyjścia

W tym ćwiczeniu przekonasz się, jakie korzyści daje użycie wstępnie wytrenowanych wektorów jako punktu wyjścia dla modelu.

Porównasz dokładność dwóch modeli wytrenowanych przez dwie epoki. Architektura obu modeli jest identyczna: warstwa osadzeń (embedding), warstwa LSTM ze 128 jednostkami oraz warstwa wyjściowa z 5 jednostkami odpowiadającymi liczbie klas w przykładowych danych. Różnica polega na tym, że jeden model używa wstępnie wytrenowanych wektorów w warstwie osadzeń (transfer learning), a drugi nie.

Wykorzystane wstępnie wytrenowane wektory to GloVE o wymiarze 200. Historia dokładności na zbiorze walidacyjnym obu modeli jest dostępna w zmiennych history_no_emb i history_emb.

指示

100 XP
  • Zaimportuj moduł matplotlib.pyplot jako plt.
  • Dodaj do wykresu listę wartości dokładności z modelu bez osadzeń.
  • Dodaj do wykresu listę wartości dokładności z modelu z osadzeniami.
  • Wyświetl wykres za pomocą metody .show().