Comparando funções de ativação II
O que você codou no exercício anterior foi executado para obter a variável activation_results; desta vez, foram usadas 100 épocas em vez de 20. Assim, você terá mais épocas para comparar melhor como o treinamento evolui por função de ativação.
Para cada h_callback de cada função de ativação em activation_results:
h_callback.history['val_loss']foi extraído.h_callback.history['val_accuracy']foi extraído.
Ambos foram salvos em dois dicionários: val_loss_per_function e val_acc_per_function.
O pandas também foi carregado como pd para você usar. Vamos traçar alguns gráficos rápidos de loss e acurácia de validação!
Este exercício faz parte do curso
Introdução ao Deep Learning com Keras
Instruções do exercício
- Use
pd.DataFrame()para criar um novo DataFrame a partir do dicionárioval_loss_per_function. - Chame
plot()no DataFrame. - Crie outro DataFrame do pandas a partir de
val_acc_per_function. - Novamente, faça o gráfico do DataFrame.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)
# Call plot on the dataframe
____
plt.show()
# Create a dataframe from val_acc_per_function
val_acc = _____
# Call plot on the dataframe
____
plt.show()