ComeçarComece de graça

Métricas e validação com Keras

No exercício anterior, treinamos um modelo para prever letras em linguagem de sinais, mas não ficou claro quão bem-sucedidos fomos. Neste exercício, vamos tentar tornar nossos resultados mais interpretáveis. Como não usamos uma divisão de validação, só observamos melhorias de desempenho no conjunto de treino; porém, não está claro quanto disso se deveu a overfitting. Além disso, como não fornecemos uma métrica, vimos apenas reduções na função de perda, que não têm interpretação clara.

Observe que keras já foi importado para você a partir de tensorflow.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Defina a primeira camada densa com 32 nós, use a função de ativação sigmoid e formato de entrada (784,).
  • Use o otimizador root mean square propagation, perda de categorical crossentropy e a métrica de acurácia.
  • Defina o número de épocas como 10 e use 10% do conjunto de dados para validação.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define sequential model
model = keras.Sequential()

# Define the first layer
model.add(keras.layers.Dense(____, ____, ____))

# Add activation function to classifier
model.add(keras.layers.Dense(4, activation='softmax'))

# Set the optimizer, loss function, and metrics
model.compile(optimizer='____', loss='____', metrics=['____'])

# Add the number of epochs and the validation split
model.fit(sign_language_features, sign_language_labels, epochs=____, validation_split=____)
Editar e executar o código