ComeçarComece de graça

Precisamos de mais dados?

É hora de verificar se o model do conjunto de dados de dígitos que você construiu se beneficia de mais exemplos de treino!

Para manter o código no mínimo, várias coisas já estão inicializadas e prontas para uso:

  • O model que você acabou de construir.
  • X_train,y_train,X_test e y_test.
  • Os initial_weights do seu modelo, salvos após usar model.get_weights().
  • Uma lista predefinida de tamanhos de treino: training_sizes.
  • Um callback de early stopping predefinido monitorando a loss: early_stop.
  • Duas listas vazias para armazenar os resultados da avaliação: train_accs e test_accs.

Treine seu modelo nos diferentes tamanhos de treino e avalie os resultados em X_test. Finalize plotando os resultados com plot_results().

O código completo deste exercício está disponível nos slides!

Este exercício faz parte do curso

Introdução ao Deep Learning com Keras

Ver curso

Instruções do exercício

  • Pegue uma fração dos dados de treino determinada pelo size que estamos avaliando no loop.
  • Defina os pesos do modelo para initial_weights com set_weights() e treine seu modelo na fração de dados de treino usando early_stop como callback.
  • Avalie e armazene a acurácia para a fração de treino e para o conjunto de teste.
  • Chame plot_results() passando as acurácias de treino e de teste para cada tamanho de treino.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

for size in training_sizes:
  	# Get a fraction of training data (we only care about the training data)
    X_train_frac, y_train_frac = X_train[:size], y_train[:size]

    # Reset the model to the initial weights and train it on the new training data fraction
    model.set_weights(____)
    model.fit(X_train_frac, y_train_frac, epochs = 50, callbacks = [early_stop])

    # Evaluate and store both: the training data fraction and the complete test set results
    train_accs.append(model.evaluate(____, ____)[1])
    test_accs.append(model.evaluate(____, ____)[1])
    
# Plot train vs test accuracies
plot_results(____, ____)
Editar e executar o código