ПочатиПочніть безкоштовно

Навчання з кількома мітками

Вихід вашої багатоміткової моделі model може виглядати так: [0.76 , 0.99 , 0.66 ]. Якщо заокруглити ймовірності, що перевищують 0,5, це спостереження буде класифіковано як таке, що містить усі 3 можливі мітки [1,1,1]. Для цієї задачі це означає, що, за оцінкою мережі, з огляду на вхідні дані з датчиків, слід полити всі 3 ділянки на вашій фермі.

Тепер ви натренуєте й зробите прогнози за допомогою щойно побудованої моделі model. sensors_train, parcels_train, sensors_test і parcels_test уже завантажено для вас.

Подивімося, наскільки добре працює ваша інтелектуальна система!

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

Переглянути курс

Інструкції до вправи

  • Натренуйте модель протягом 100 epochs, використавши validation_split 0.2.
  • Зробіть передбачення вашою model на тестових даних.
  • Заокругліть ваші preds за допомогою np.round().
  • Оцініть точність вашої моделі на тестових даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Редагувати та запускати код