Kom igångKom igång gratis

Jämföra aktiveringsfunktioner II

Koden från föregående övning har körts för att generera variabeln activation_results, den här gången med 100 epoker i stället för 20. Det ger fler epoker att jämföra hur träningen utvecklas per aktiveringsfunktion.

För varje h_callback hos respektive aktiveringsfunktion i activation_results har följande extraherats:

  • h_callback.history['val_loss']
  • h_callback.history['val_accuracy']

Båda sparas i två ordböcker: val_loss_per_function och val_acc_per_function.

Pandas är också inläst som pd för dig att använda. Nu plottar vi snabba diagram över valideringsförlust och noggrannhet!

Den här övningen är en del av kursen

Introduktion till djupinlärning med Keras

Visa kurs

Övningsinstruktioner

  • Använd pd.DataFrame() för att skapa en ny DataFrame från ordboken val_loss_per_function.
  • Anropa plot() på DataFrame:n.
  • Skapa ytterligare en pandas DataFrame från val_acc_per_function.
  • Plotta även den DataFrame:n.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)

# Call plot on the dataframe
____
plt.show()

# Create a dataframe from val_acc_per_function
val_acc = _____

# Call plot on the dataframe
____
plt.show()
Redigera och kör kod