Ändra batchstorlekar
Du har sett att modeller vanligtvis tränas i batchar av en fast storlek. Ju mindre batchstorleken är, desto fler viktuppdateringar sker per epok – men till priset av ett mer instabilt gradientnedstig. Det gäller särskilt om batchstorleken är för liten och inte representerar hela träningsdatamängden.
Låt oss se hur olika batchstorlekar påverkar träffsäkerheten hos en enkel binär klassificeringsmodell som skiljer röda från blå punkter.
Du kommer att använda en batchstorlek på ett, vilket innebär att vikterna uppdateras en gång per sampel i träningsdatamängden för varje epok. Sedan använder du hela datamängden och uppdaterar vikterna bara en gång per epok.
Den här övningen är en del av kursen
Introduktion till djupinlärning med Keras
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])