Kom igångKom igång gratis

En kombination av callbacks

Djupinlärningsmodeller kan ta lång tid att träna, särskilt när du går till djupare arkitekturer och större datamängder. Genom att spara modellen varje gång den förbättras och avbryta träningen när den slutar förbättras slipper du oroa dig för att välja rätt antal epoker. Du kan också läsa in en sparad modell när som helst och fortsätta träningen där du slutade.

Tränings- och valideringsdata finns tillgängliga i din arbetsyta som X_train, X_test, y_train och y_test.

Använd callbacksen EarlyStopping() och ModelCheckpoint() – sedan kan du ta en paus medan datorn jobbar på!

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

Visa kurs

Övningsinstruktioner

  • Importera både EarlyStopping och ModelCheckpoint från tensorflow.keras.
  • Skapa monitor_val_acc som en EarlyStopping-callback som övervakar 'val_accuracy' med en patience på 3 epoker.
  • Skapa model_checkpoint som en ModelCheckpoint-callback och spara den bästa modellen som best_banknote_model.hdf5.
  • Träna modellen och skicka in en lista med de definierade callbacksen samt X_test och y_test som valideringsdata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the EarlyStopping and ModelCheckpoint callbacks
from tensorflow.____.____ import ____, ____

# Early stop on validation accuracy
monitor_val_acc = ____(monitor = ____, patience = ____)

# Save the best model as best_banknote_model.hdf5
model_checkpoint = ____(____, save_best_only = True)

# Fit your model for a stupid amount of epochs
h_callback = model.fit(X_train, y_train,
                    epochs = 1000000000000,
                    callbacks = [____, ____],
                    validation_data = (____, ____))
Redigera och kör kod