Träna ett CNN för att klassificera klädtyper

Innan ett neuralt nätverk tränas måste det kompileras med rätt kostnadsfunktion och optimerare. Under kompileringen kan du även definiera mätvärden som nätverket beräknar och rapporterar för varje epok. För att anpassa modellen behövs en träningsdatamängd tillsammans med tillhörande träningsetiketter.

Conv2D-modellen model som du byggde i föregående övning finns tillgänglig i din arbetsyta.

Den här övningen är en del av kursen

Bildmodellering med Keras

Visa kurs

Övningsinstruktioner

Kompilera nätverket med optimeraren 'adam' och kostnadsfunktionen 'categorical_crossentropy'. Definiera i mätvärdeslistan att nätverket ska rapportera 'accuracy'.
Anpassa nätverket på train_data och train_labels. Träna i 3 epoker med en batchstorlek på 10 bilder. Avsätt 20 % av data som valideringsmängd under träningen med hjälp av nyckelordsargumentet validation_split.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Compile the model 
model.compile(optimizer=____, 
              loss=____, 
              metrics=[____])

# Fit the model on a training set
model.fit(____, ____, 
          validation_split=____, 
          epochs=____, batch_size=____)

Redigera och kör kod