Compilează un model

Ultimul pas în crearea unui model este compilarea acestuia. După ce ai creat un model, trebuie să îl compilezi înainte de a-l antrena pe date. Acest pas finalizează modelul, îi îngheață toate setările și îl pregătește să lucreze cu datele!

În timpul compilării, specifici optimizatorul folosit pentru antrenarea modelului pe date, precum și o funcție de pierdere. 'adam' este un optimizator implicit bun, care funcționează bine în general. Funcția de pierdere depinde de problema abordată. Eroarea medie pătratică este o funcție de pierdere frecvent utilizată și optimizează pentru predicția mediei, așa cum se face în regresia celor mai mici pătrate.

Eroarea medie absolută optimizează pentru mediană și este folosită în regresia pe cuantile. Pentru acest set de date, 'mean_absolute_error' funcționează foarte bine, deci folosește-o ca funcție de pierdere.

Acest exercițiu face parte din cursul

Deep Learning avansat cu Keras

Instrucțiuni pentru exercițiu

Compilează modelul pe care l-ai creat (model).
Folosește optimizatorul 'adam'.
Folosește eroarea medie absolută (sau 'mean_absolute_error') ca funcție de pierdere.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Compile the model
____(optimizer=____, loss=____)

Editează și rulează codul

Acest exercițiu face parte din cursul

Deep Learning avansat cu Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol, te vei familiariza cu noțiunile de bază ale API-ului funcțional Keras. Vei construi o rețea funcțională simplă folosind blocuri de construcție funcționale, o vei antrena pe date și vei face predicții.

Exercise 1: Straturi de intrare și dense în Keras Exercise 2: Straturi de intrare Exercise 3: Straturi Dense Exercise 4: Straturi de ieșire Exercise 5: Construiește și compilează un model Exercise 6: Construiește un model Exercise 7: Compilează un model

Exercițiul curent

Exercise 8: Vizualizează un model Exercise 9: Antrenează și evaluează un model Exercise 10: Antrenează modelul pe datele turneului de baschet Exercise 11: Evaluează modelul pe un set de testare

În acest capitol, vei construi rețele cu două intrări care folosesc embeddings categoriale pentru a reprezenta date cu cardinalitate ridicată, straturi partajate pentru a defini blocuri reutilizabile și straturi de îmbinare pentru a combina mai multe intrări într-o singură ieșire. La finalul capitolului, vei stăpâni blocurile de bază necesare pentru a proiecta rețele neuronale cu fluxuri de date complexe.

Exercise 1: Încorporări categoriale Exercise 2: Definirea lookup-ului pentru echipe Exercise 3: Definește modelul echipei Exercise 4: Straturi partajate Exercise 5: Definirea a două intrări Exercise 6: Caută ambele intrări în același model Exercise 7: Straturi de îmbinare Exercise 8: Stratul de ieșire folosind un strat partajat Exercise 9: Model cu două intrări și o ieșire Exercise 10: Previzionează cu modelul tău Exercise 11: Antrenează modelul pe datele din sezonul regulat Exercise 12: Evaluează modelul pe datele de test din turneu

În acest capitol, vei extinde modelul cu 2 intrări la 3 intrări și vei învăța să folosești funcțiile de sumarizare și vizualizare din Keras pentru a înțelege parametrii și topologia rețelelor neuronale. La finalul capitolului, vei ști cum să extinzi un model de la 2 intrări la 3 sau mai multe.

Exercise 1: Modele cu trei intrări Exercise 2: Creează un strat de intrare pentru echipa gazdă vs. oaspete Exercise 3: Creează și compilează un model Exercise 4: Antrenează și evaluează modelul Exercise 5: Rezumarea și vizualizarea modelelor Exercise 6: Rezumatele modelelor Exercise 7: Vizualizarea modelelor Exercise 8: Stacking modele Exercise 9: Adaugă predicțiile modelului la datele turneului Exercise 10: Creează un strat de intrare cu mai multe coloane Exercise 11: Antrenează modelul Exercise 12: Evaluează modelul

În acest capitol, vei construi rețele neuronale cu mai multe ieșiri, care pot fi folosite pentru a rezolva probleme de regresie cu mai multe ținte. Vei construi, de asemenea, un model care rezolvă simultan o problemă de regresie și una de clasificare.

Exercise 1: Modele cu două rezultate Exercise 2: Model simplu cu două ieșiri Exercise 3: Antrenează un model cu două ieșiri Exercise 4: Inspectează modelul (I)Exercise 5: Evaluează modelul Exercise 6: Un singur model pentru clasificare și regresie Exercise 7: Clasificare și regresie într-un singur model Exercise 8: Compilează și antrenează modelul Exercise 9: Inspectează modelul (II)Exercise 10: Evaluează pe date noi cu două metrici Exercise 11: Concluzie