ПочатиПочніть безкоштовно

Порівняння функцій активації

Порівнювати функції активації — це трохи коду, але з цим ви впораєтеся!

Ви випробуєте різні функції активації на мультибрежимковій моделі з розділу 2, яку ви створили для системи зрошення ферми. Функція get_model('relu') повертає копію цієї моделі та застосовує функцію активації 'relu' до її прихованого шару.

Ви пройдетеся циклом по кількох функціях активації, згенеруєте для кожної нову модель і натренуєте її. Зберігаючи об'єкт історії навчання (history callback) у словнику, ви зможете візуалізувати, яка функція активації спрацювала найкраще, у наступній вправі!

X_train, y_train, X_test, y_test уже підготовлені для використання під час навчання ваших моделей.

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

Переглянути курс

Інструкції до вправи

  • Заповніть масив функцій активації значеннями relu, leaky_relu, sigmoid і tanh.
  • На кожній ітерації отримуйте нову модель за допомогою get_model(), передаючи поточну функцію активації як параметр.
  • Навчіть модель, передавши тренувальні дані та validation_data, використайте 20 epochs і встановіть verbose у 0.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
Редагувати та запускати код