ComeçarComece de graça

Uma combinação de callbacks

Modelos de deep learning podem levar bastante tempo para treinar, especialmente quando você parte para arquiteturas mais profundas e conjuntos de dados maiores. Salvar o seu modelo sempre que ele melhorar e interromper o treino quando ele parar de melhorar permite que você se preocupe menos em escolher o número de épocas. Você também pode restaurar um modelo salvo a qualquer momento e retomar o treino de onde parou.

Os dados de treino e validação do modelo estão disponíveis no seu workspace como X_train, X_test, y_train e y_test.

Use os callbacks EarlyStopping() e ModelCheckpoint() para poder ir comer um pote de cookies enquanto deixa o computador trabalhando!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Ver curso

Instruções do exercício

  • Importe os callbacks EarlyStopping e ModelCheckpoint de tensorflow.keras.
  • Crie monitor_val_acc como um callback EarlyStopping que monitora 'val_accuracy', com patience de 3 épocas.
  • Crie model_checkpoint como um callback ModelCheckpoint, salvando o melhor modelo como best_banknote_model.hdf5.
  • Treine (fit) seu modelo fornecendo uma lista com os callbacks definidos e X_test e y_test como dados de validação.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import the EarlyStopping and ModelCheckpoint callbacks
from tensorflow.____.____ import ____, ____

# Early stop on validation accuracy
monitor_val_acc = ____(monitor = ____, patience = ____)

# Save the best model as best_banknote_model.hdf5
model_checkpoint = ____(____, save_best_only = True)

# Fit your model for a stupid amount of epochs
h_callback = model.fit(X_train, y_train,
                    epochs = 1000000000000,
                    callbacks = [____, ____],
                    validation_data = (____, ____))
Editar e executar o código