Зміна розміру пакета
Ви бачили, що моделі зазвичай навчають пакетами фіксованого розміру. Чим менший розмір пакета, тим більше оновлень ваг за епоху, але ціною більш нестійкого градієнтного спуску. Особливо якщо пакет надто малий і не репрезентує всю тренувальну вибірку.
Подивімося, як різні розміри пакетів впливають на точність простої моделі бінарної класифікації, яка відокремлює червоні точки від синіх.
Ви використаєте розмір пакета 1, оновлюючи ваги один раз на кожен зразок у тренувальній вибірці в межах кожної епохи. Потім ви використаєте весь набір даних, оновлюючи ваги лише один раз за епоху.
Ця вправа є частиною курсу
Вступ до Deep Learning з Keras
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Get a fresh new model with get_model
model = ____
# Train your model for 5 epochs with a batch size of 1
model.fit(X_train, y_train, epochs=____, ____=____)
print("\n The accuracy when using a batch of size 1 is: ",
model.evaluate(X_test, y_test)[1])