ÎncepețiÎncepe gratuit

Compararea funcțiilor de activare II

Codul scris în exercițiul anterior a fost executat pentru a obține variabila activation_results, de data aceasta s-au folosit 100 de epoci în loc de 20. Astfel, vei avea mai multe epoci pentru a compara mai bine cum evoluează antrenarea pentru fiecare funcție de activare.

Pentru fiecare h_callback al fiecărei funcții de activare din activation_results:

  • A fost extras h_callback.history['val_loss'].
  • A fost extras h_callback.history['val_accuracy'].

Ambele sunt salvate în două dicționare: val_loss_per_function și val_acc_per_function.

Pandas este deja importat ca pd pentru a-l putea folosi. Să reprezentăm grafic câteva diagrame rapide cu pierderea și acuratețea de validare!

Acest exercițiu face parte din cursul

Introducere în Deep Learning cu Keras

Vezi cursul

Instrucțiuni pentru exercițiu

  • Folosește pd.DataFrame() pentru a crea un nou DataFrame din dicționarul val_loss_per_function.
  • Apelează plot() pe DataFrame.
  • Creează un alt DataFrame pandas din val_acc_per_function.
  • Reprezintă grafic și acest DataFrame.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()
Editează și rulează codul