НачатьНачать бесплатно

Метрики и валидация в Keras

В предыдущем упражнении мы обучили модель для распознавания букв языка жестов, однако оценить качество этого обучения пока затруднительно. В этом упражнении мы постараемся сделать результаты более наглядными. Поскольку мы не использовали валидационную выборку, улучшение показателей наблюдалось только на обучающих данных — и неясно, в какой мере это было обусловлено переобучением. Кроме того, без указания метрики мы видели лишь снижение функции потерь, которое сложно интерпретировать напрямую.

Обратите внимание, что keras уже импортирован из tensorflow.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

  • Задайте первый полносвязный слой с 32 узлами, функцией активации sigmoid и входной формой (784,).
  • Используйте оптимизатор среднеквадратичного распространения, функцию потерь категориальной кросс-энтропии и метрику точности.
  • Установите количество эпох равным 10 и выделите 10% набора данных для валидации.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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=____)
Редактировать и запускать код