เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การแยกด้วยโครงข่ายประสาทเทียม

เตรียมพร้อมสำหรับการผ่าตัดสมองเชิงโค้ดกันเลย!

นิวรอนเรียนรู้โดยการอัปเดตน้ำหนักเพื่อให้ผลลัพธ์ที่ช่วยแยกแยะคลาสต่างๆ ในชุดข้อมูลได้ดีขึ้น ในแบบฝึกหัดนี้จะใช้ฟังก์ชัน inp_to_out() ที่สร้างไว้ก่อนหน้า เพื่อ visualize ผลลัพธ์ของนิวรอนสองตัวในเลเยอร์แรกของโมเดล Banknote Authentication ขณะที่มันกำลังเรียนรู้

โมเดลที่สร้างไว้ในบทที่ 2 พร้อมใช้งานแล้ว เช่นเดียวกับ X_test และ y_test หากต้องการตรวจสอบฟังก์ชัน plot() ให้วาง show_code(plot) ในคอนโซล

เมื่อทำทุกอย่างเสร็จแล้ว ให้คลิกดูกราฟแต่ละภาพเพื่อสังเกตการแยกข้อมูลที่เกิดขึ้นจริง!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning เบื้องต้นด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ฟังก์ชัน inp_to_out() ที่กำหนดไว้ก่อนหน้า เพื่อรับผลลัพธ์ของเลเยอร์แรกเมื่อป้อน X_test เข้าไป
  • ใช้เมธอด model.evaluate() เพื่อดึงค่าความแม่นยำในการตรวจสอบ (validation accuracy) ของชุดข้อมูลทดสอบในแต่ละ epoch

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

for i in range(0, 21):
  	# Train model for 1 epoch
    h = model.fit(X_train, y_train, batch_size = 16, epochs = 1, verbose = 0)
    if i%4==0: 
      # Get the output of the first layer
      layer_output = ____([____])[0]
      
      # Evaluate model accuracy for this epoch
      test_accuracy = model.____(____, ____)[1] 
      
      # Plot 1st vs 2nd neuron output
      plot()
แก้ไขและรันโค้ด