ComeçarComece de graça

Detecção de overfitting

Neste exercício, vamos trabalhar com um pequeno subconjunto dos exemplos do conjunto de dados original de letras em linguagem de sinais. Uma amostra pequena, combinada a um modelo com muitos parâmetros, geralmente leva a overfitting. Isso significa que seu modelo vai simplesmente memorizar a classe de cada exemplo, em vez de identificar características que se generalizam para muitos exemplos.

Você vai detectar overfitting verificando se a perda no conjunto de validação é substancialmente maior do que a perda no conjunto de treinamento e se ela aumenta com mais treino. Com uma amostra pequena e uma taxa de aprendizado alta, o modelo terá dificuldade para convergir para um ótimo. Você vai definir uma taxa de aprendizado baixa para o otimizador, o que tornará mais fácil identificar o overfitting.

Observe que keras foi importado de tensorflow.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Defina um modelo sequencial em keras chamado model.
  • Adicione uma primeira camada densa com 1024 nós, ativação relu e formato de entrada (784,).
  • Defina a taxa de aprendizado como 0.001.
  • Defina a operação fit() para iterar sobre a amostra completa 50 vezes e usar 50% da amostra para validação.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define sequential model
____

# Define the first layer
____

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

# Finish the model compilation
model.compile(optimizer=keras.optimizers.Adam(lr=____), 
              loss='categorical_crossentropy', metrics=['accuracy'])

# Complete the model fit operation
model.fit(sign_language_features, sign_language_labels, epochs=____, validation_split=____)
Editar e executar o código