Mätvärden och validering med Keras
I föregående övning tränade vi en modell för att förutsäga teckenspråksbokstäver, men det är oklart hur väl det gick. I den här övningen försöker vi göra resultaten lättare att tolka. Eftersom vi inte använde någon valideringsdelning observerade vi bara förbättringar inom träningsdatan – det är därför svårt att avgöra hur mycket av förbättringen som berodde på överanpassning. Dessutom använde vi inget mätvärde, vilket innebär att vi bara såg minskningar i förlustfunktionen, som inte har någon tydlig tolkning.
Observera att keras redan har importerats från tensorflow.
Den här övningen är en del av kursen
Introduktion till TensorFlow i Python
Övningsinstruktioner
- Ange att det första täta lagret ska ha 32 noder, använda en
sigmoid-aktiveringsfunktion och ha indataformen (784,). - Använd RMS-spridningsoptimeraren, kategorisk korsentropi som förlustfunktion och noggrannhet som mätvärde.
- Ange antalet epoker till 10 och använd 10 % av datamängden för validering.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define sequential model
model = keras.Sequential()
# Define the first layer
model.add(keras.layers.Dense(____, ____, ____))
# Add activation function to classifier
model.add(keras.layers.Dense(4, activation='softmax'))
# Set the optimizer, loss function, and metrics
model.compile(optimizer='____', loss='____', metrics=['____'])
# Add the number of epochs and the validation split
model.fit(sign_language_features, sign_language_labels, epochs=____, validation_split=____)