Kom igångKom igång gratis

Effekter av batchnormalisering

Batchnormalisering tenderar att öka inlärningshastigheten hos våra modeller och göra deras inlärningskurvor mer stabila. Låt oss se hur två identiska modeller – en med och en utan batchnormalisering – skiljer sig åt.

Modellen du just byggde, batchnorm_model, är inläst och redo att använda. En exakt kopia av den utan batchnormalisering, standard_model, finns också tillgänglig. Du kan kontrollera deras summary() i konsolen. X_train, y_train, X_test och y_test är också inlästa så att du kan träna båda modellerna.

Du kommer att jämföra inlärningskurvorna för träffsäkerhet för båda modellerna genom att plotta dem med compare_histories_acc().

Du kan undersöka funktionen genom att klistra in show_code(compare_histories_acc) i konsolen.

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

Visa kurs

Övningsinstruktioner

  • Träna standard_model i 10 epoker med tränings- och valideringsdata, och lagra historiken i h1_callback.
  • Träna batchnorm_model i 10 epoker med tränings- och valideringsdata, och lagra historiken i h2_callback.
  • Anropa compare_histories_acc med h1_callback och h2_callback som argument.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Train your standard model, storing its history callback
h1_callback = standard_model.fit(____, ____, validation_data=(____,____), epochs=____, verbose=0)

# Train the batch normalized model you recently built, store its history callback
h2_callback = batchnorm_model.fit(____, ____, validation_data=____, epochs=____, verbose=0)

# Call compare_histories_acc passing in both model histories
compare_histories_acc(____, ____)
Redigera och kör kod