เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

เปรียบเทียบ activation functions

การเปรียบเทียบ activation functions ต้องเขียนโค้ดเพิ่มเติมเล็กน้อย แต่ไม่มีอะไรที่ทำไม่ได้!

จะได้ทดลองใช้ activation functions หลายแบบกับ multi-label model ที่สร้างไว้สำหรับเครื่องระบบชลประทานในบทที่ 2 ฟังก์ชัน get_model('relu') จะคืนค่าสำเนาของโมเดลนี้และนำ activation function 'relu' ไปใช้กับ hidden layer

จะได้วนลูปผ่าน activation functions หลายแบบ สร้างโมเดลใหม่สำหรับแต่ละแบบ แล้วฝึกโมเดล โดยการจัดเก็บ history callback ไว้ใน dictionary จะช่วยให้แสดงภาพได้ว่า activation function ใดให้ผลดีที่สุดในแบบฝึกหัดถัดไป!

X_train, y_train, X_test, y_test พร้อมใช้งานสำหรับการฝึกโมเดลแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning เบื้องต้นด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เติม array ของ activation functions ด้วย relu, leaky_relu, sigmoid และ tanh
  • สร้างโมเดลใหม่ในแต่ละรอบด้วย get_model() โดยส่ง activation function ปัจจุบันเป็นพารามิเตอร์
  • Fit โมเดลโดยระบุข้อมูล train และ validation_data ใช้จำนวน 20 epochs และตั้งค่า verbose เป็น 0

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Activation functions to try
activations = [____, ____, ____, ____]

# Loop over the activation functions
activation_results = {}

for act in activations:
  # Get a new model with the current activation
  model = ____
  # Fit the model and store the history results
  h_callback = ____
  activation_results[act] = h_callback
แก้ไขและรันโค้ด