Alteração do tamanho dos lotes

Você viu que os modelos geralmente são treinados em lotes de tamanho fixo. Quanto menor o tamanho do lote, maior o número de atualizações de peso por época, mas ao custo de uma descida de gradiente mais instável. Especialmente se o tamanho do lote for muito pequeno e não for representativo de todo o conjunto de treinamento.

Vamos ver como diferentes tamanhos de lote afetam a precisão de um modelo de classificação binária simples que separa pontos vermelhos de azuis.

Você usará um tamanho de lote de um, atualizando os pesos uma vez por amostra em seu conjunto de treinamento para cada época. Em seguida, você usará todo o conjunto de dados, atualizando os pesos apenas uma vez por época.

Este exercício faz parte do curso

Introdução à aprendizagem profunda com o Keras

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Get a fresh new model with get_model
model = ____

# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
      model.evaluate(X_test, y_test)[1])

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 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

Exercício atual

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!