Neural separation
Nu är det dags att gå på djupet – bokstavligen!
Neuroner lär sig genom att uppdatera sina vikter så att de bättre kan skilja mellan de olika utdataklasserna i din datamängd.
Du ska använda funktionen inp_to_out() som du precis byggde för att visualisera utdata från två neuroner i det första lagret i Banknote Authentication-modellen model medan den tränas.
Modellen model som du byggde i kapitel 2 är redo att använda, precis som X_test och y_test. Klistra in show_code(plot) i konsolen om du vill granska plot().
När allt är klart kan du klicka igenom graferna och se hur separationen utvecklas i realtid!
Den här övningen är en del av kursen
Introduktion till djupinlärning med Keras
Övningsinstruktioner
- Använd den tidigare definierade funktionen
inp_to_out()för att hämta utdata från det första lagret närX_testmatas in. - Använd metoden
model.evaluate()för att beräkna valideringsnoggrannheten för testdatamängden vid varje epok.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
for i in range(0, 21):
# Train model for 1 epoch
h = model.fit(X_train, y_train, batch_size = 16, epochs = 1, verbose = 0)
if i%4==0:
# Get the output of the first layer
layer_output = ____([____])[0]
# Evaluate model accuracy for this epoch
test_accuracy = model.____(____, ____)[1]
# Plot 1st vs 2nd neuron output
plot()