คอมไพล์โมเดล
ขั้นตอนสุดท้ายในการสร้างโมเดลคือการ คอมไพล์ ซึ่งหลังจากสร้างโมเดลแล้ว ต้องคอมไพล์ก่อนจึงจะนำไปฝึกกับข้อมูลได้ ขั้นตอนนี้จะช่วย finalize โมเดล ล็อกการตั้งค่าทั้งหมด และเตรียมโมเดลให้พร้อมรับข้อมูล
ในระหว่างการคอมไพล์ ต้องระบุ optimizer ที่ใช้ฝึกโมเดลกับข้อมูล และฟังก์ชัน loss ที่ต้องการ 'adam' เป็น optimizer ที่เหมาะสำหรับการเริ่มต้น และทำงานได้ดีในกรณีทั่วไป ส่วนฟังก์ชัน loss นั้นขึ้นอยู่กับลักษณะของปัญหา Mean squared error เป็นฟังก์ชัน loss ที่ใช้กันทั่วไป และเหมาะสำหรับการพยากรณ์ค่าเฉลี่ย เช่นเดียวกับใน least squares regression
ส่วน mean absolute error นั้นเหมาะกับการพยากรณ์ค่ามัธยฐาน และใช้ใน quantile regression สำหรับชุดข้อมูลนี้ 'mean_absolute_error' ให้ผลลัพธ์ที่ดี จึงให้ใช้เป็นฟังก์ชัน loss
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Deep Learning ขั้นสูงด้วย Keras
คำแนะนำการฝึกหัด
- คอมไพล์โมเดลที่สร้างไว้ (
model) - ใช้ optimizer
'adam' - ใช้ mean absolute error (หรือ
'mean_absolute_error') เป็นฟังก์ชัน loss
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Compile the model
____(optimizer=____, loss=____)