ComeçarComece de graça

Treinamento com vários rótulos

Uma saída do seu model com vários rótulos poderia ser assim: [0.76 , 0.99 , 0.66 ]. Se arredondarmos as probabilidades para mais de 0,5, essa observação será classificada como contendo todos os três rótulos possíveis [1,1,1]. Para esse problema específico, isso significaria que regar todos os três lotes da sua fazenda é a coisa certa a fazer, de acordo com a rede, considerando as medições do sensor de entrada.

Agora você treinará e fará previsões com o model que acabou de criar. sensors_train, parcels_train, sensors_test e parcels_test já estão carregados para você usar.

Vamos ver o desempenho de sua máquina inteligente!

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

Ver curso

Instruções do exercício

  • Treine o modelo para 100 epochs usando um validation_split de 0,2.
  • Faça uma previsão com seu model usando os dados de teste.
  • Complete seu preds com np.round().
  • Avalie a precisão do seu modelo nos dados de teste.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Editar e executar o código