A chamada de retorno do histórico

A callback do histórico é retornada por padrão sempre que você treina um modelo com o método .fit(). Para acessar essas métricas, você pode acessar o parâmetro do dicionário history dentro do objeto h_callback retornado com as chaves correspondentes.

A máquina de irrigação model que você criou na lição anterior está carregada para ser treinada, juntamente com seus recursos e rótulos agora carregados como X_train, y_train, X_test, y_test. Desta vez, você armazenará o retorno de chamada historydo modelo e usará o parâmetro validation_data à medida que ele for treinado.

Você plotará os resultados armazenados em history com plot_accuracy() e plot_loss(), duas funções simples do matplotlib. Você pode verificar o código deles no console colando show_code(plot_loss).

Vamos ver os bastidores do nosso treinamento!

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

Instruções de exercício

Treine seu modelo em X_train e y_train, valide cada época em X_test e y_test.
Use plot_losspara extrair losse val_loss de h_callback.
Use plot_accuracypara extrair accuracye val_accuracy de h_callback.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Train your model and save its history
h_callback = ____.____(____, ____, epochs = 25,
               validation_data=(____, ____))

# Plot train vs test loss during training
plot_loss(h_callback.history[____], h_callback.history[____])

# Plot train vs test accuracy during training
plot_accuracy(h_callback.history[____], h_callback.history[____])

Editar e executar código

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

IntermediárioNível de habilidade

4.8+

Iniciar curso gratuitamente

Neste primeiro capítulo, você será apresentado às redes neurais, entenderá que tipos de problemas elas podem resolver e quando usá-las. Você também criará várias redes e salvará a Terra treinando um modelo de regressão que aproxima a órbita de um meteoro que está se aproximando de nós!

Exercise 1: O que é o Keras?Exercise 2: Descrevendo o Keras Exercise 3: Você usaria a aprendizagem profunda?Exercise 4: Sua primeira rede neural Exercise 5: Olá, redes!Exercise 6: Parâmetros de contagem Exercise 7: Construa como mostrado!Exercise 8: Sobrevivendo à queda de um meteoro Exercise 9: Especificação de um modelo Exercise 10: Treinamento Exercise 11: Prevendo a órbita!

Ao final deste capítulo, você saberá como resolver problemas binários, de várias classes e de vários rótulos com redes neurais. Tudo isso resolvendo problemas como detectar notas de dólar falsas, decidir quem jogou qual dardo em um tabuleiro e criar um sistema inteligente para regar sua fazenda. Você também poderá traçar métricas de treinamento de modelos e interromper o treinamento e salvar seus modelos quando eles não melhorarem mais.

Exercise 1: Classificação binária Exercise 2: Explorando notas de dólar Exercise 3: Um modelo de classificação binária Exercise 4: Essa nota de dólar é falsa?Exercise 5: Classificação multiclasse Exercise 6: Um modelo de várias classes Exercise 7: Prepare seu conjunto de dados Exercise 8: Treinamento em lançadores de dardos Exercise 9: Previsões da Softmax Exercise 10: Classificação com vários rótulos Exercise 11: Uma máquina de irrigação Exercise 12: Treinamento com vários rótulos Exercise 13: Retornos de chamada do Keras Exercise 14: A chamada de retorno do histórico

Exercício atual

Exercise 15: Interrupção antecipada do modelo Exercise 16: Uma combinação de retornos de chamada

Nos capítulos anteriores, você treinou muitos modelos! Agora você aprenderá a interpretar as curvas de aprendizagem para entender seus modelos à medida que eles são treinados. Você também visualizará os efeitos das funções de ativação, tamanhos de lote e normalização de lote. Por fim, você aprenderá a executar a otimização automática de hiperparâmetros nos modelos do Keras usando o sklearn.

Exercise 1: Curvas de aprendizado Exercise 2: Aprendendo os dígitos Exercise 3: O modelo está se ajustando demais?Exercise 4: Precisamos de mais dados?Exercise 5: Funções de ativação Exercise 6: Diferentes funções de ativação Exercise 7: Comparação de funções de ativação Exercise 8: Comparação de funções de ativação II Exercise 9: Tamanho do lote e normalização do lote Exercise 10: Alteração do tamanho dos lotes Exercise 11: Normalização em lote de um modelo conhecido Exercise 12: Efeitos da normalização de lotes Exercise 13: Ajuste de hiperparâmetros Exercise 14: Preparação de um modelo para ajuste Exercise 15: Ajuste dos parâmetros do modelo Exercise 16: Treinamento com validação cruzada

Chegou a hora de você conhecer as arquiteturas mais avançadas! Você criará um autocodificador para reconstruir imagens com ruído, visualizará ativações de redes neurais convolucionais, usará modelos profundos pré-treinados para classificar imagens e aprenderá mais sobre redes neurais recorrentes e como trabalhar com texto ao criar uma rede que prevê a próxima palavra em uma frase.

Exercise 1: Tensores, camadas e autoencodificadores Exercise 2: É um fluxo de tensores Exercise 3: Separação neural Exercise 4: Criação de um codificador automático Exercise 5: Eliminação de ruído como um codificador automático Exercise 6: Introdução ao site CNNs Exercise 7: Criando um modelo CNN Exercise 8: Observando as convoluções Exercise 9: Preparando sua imagem de entrada Exercise 10: Usando um modelo do mundo real Exercise 11: Introdução ao site LSTMs Exercise 12: Previsão de texto com LSTMs Exercise 13: Crie seu modelo LSTM Exercise 14: Decodifique suas previsões Exercise 15: Teste seu modelo!Exercise 16: Você está pronto!