Erken durdurma: Optimizasyonu optimize etmek

Artık optimizasyon boyunca model performansını nasıl izleyeceğini bildiğine göre, katkı sağlamadığında optimizasyonu durdurmak için erken durdurmayı kullanabilirsin. Optimizasyon işe yaramadığında kendiliğinden duracağı için, Dan'in videoda gösterdiği gibi .fit() çağrında epochs için yüksek bir değer de verebilirsin.

Optimize edeceğin model model olarak belirtildi. Daha önce olduğu gibi, veriler predictors ve target olarak önceden yüklendi.

Bu egzersiz

Python ile Deep Learning'e Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

EarlyStopping'i tensorflow.keras.callbacks içinden içe aktar.
Modeli derle: yine optimizer olarak 'adam', kayıp fonksiyonu olarak 'categorical_crossentropy' ve her epoch'ta doğruluğu görmek için metrics=['accuracy'] kullan.
early_stopping_monitor adlı bir EarlyStopping nesnesi oluştur. EarlyStopping()'in patience parametresini 2 yaparak, doğrulama kaybı 2 epoch boyunca iyileşmediğinde optimizasyonu durdur.
Modeli predictors ve target ile eğit. epochs sayısını 30 olarak belirt ve 0.3 doğrulama ayrımı (validation split) kullan. Ayrıca callbacks parametresine [early_stopping_monitor] geçir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Import EarlyStopping
____

# Save the number of columns in predictors: n_cols
n_cols = predictors.shape[1]
input_shape = (n_cols,)

# Specify the model
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))

# Compile the model
____

# Define early_stopping_monitor
early_stopping_monitor = ____

# Fit the model
____

Kodu Düzenle ve Çalıştır