ПочатиПочніть безкоштовно

Порівняння функцій активації II

Те, що ви закодували у попередній вправі, було виконано, щоб отримати змінну activation_results. Цього разу використано 100 епох замість 20. Так ви матимете більше епох, щоб краще порівняти, як розвивається навчання для кожної функції активації.

Для кожного h_callback кожної функції активації в activation_results:

  • Було витягнуто h_callback.history['val_loss'].
  • Було витягнуто h_callback.history['val_accuracy'].

Обидва значення збережено у двох словниках: val_loss_per_function та val_acc_per_function.

Pandas також імпортовано як pd, тож ви можете ним скористатися. Намалюймо швидкі графіки функції втрат та точності на валідації!

Ця вправа є частиною курсу

Вступ до Deep Learning з Keras

Переглянути курс

Інструкції до вправи

  • Використайте pd.DataFrame(), щоб створити новий датафрейм зі словника val_loss_per_function.
  • Викличте plot() для цього датафрейму.
  • Створіть ще один датафрейм pandas з val_acc_per_function.
  • Знову ж таки, побудуйте графік для датафрейму.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a dataframe from val_loss_per_function
val_loss= ____.____(____)

# Call plot on the dataframe
____
plt.show()

# Create a dataframe from val_acc_per_function
val_acc = _____

# Call plot on the dataframe
____
plt.show()
Редагувати та запускати код