Kiểm tra mô hình (II)

Giờ bạn hãy xem các trọng số của mô hình này. Đặc biệt, hãy để ý trọng số cuối cùng của mô hình. Trọng số này chuyển đổi chênh lệch điểm dự đoán thành xác suất thắng dự đoán. Nếu bạn nhân chênh lệch điểm dự đoán với trọng số cuối cùng của mô hình rồi áp dụng hàm sigmoid, bạn sẽ nhận được xác suất thắng của trận đấu.

Bài tập này là một phần của khóa học

Deep Learning nâng cao với Keras

Xem khóa học

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Print the model weights
print(____)

# Print the training data means
print(____)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Deep Learning nâng cao với Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ làm quen với những điều cơ bản của Keras functional API. Bạn sẽ xây dựng một mạng functional đơn giản từ các khối xây dựng, fit mô hình với dữ liệu và tạo dự đoán.

Exercise 1: Các tầng input và dense trong Keras Exercise 2: Tầng đầu vào Exercise 3: Các lớp Dense Exercise 4: Các lớp đầu ra Exercise 5: Xây dựng và biên dịch một mô hình Exercise 6: Xây dựng một mô hình Exercise 7: Biên dịch (compile) một mô hình Exercise 8: Trực quan hóa một mô hình Exercise 9: Huấn luyện và đánh giá mô hình Exercise 10: Fit mô hình với dữ liệu giải bóng rổ đại học Exercise 11: Đánh giá mô hình trên tập kiểm tra

Trong chương này, bạn sẽ xây dựng các mạng hai đầu vào sử dụng categorical embeddings để biểu diễn dữ liệu có số lượng hạng mục lớn, shared layers để xác định các khối có thể tái sử dụng, và merge layers để gộp nhiều đầu vào thành một đầu ra. Kết thúc chương, bạn sẽ nắm được các khối nền tảng để thiết kế mạng nơ-ron với luồng dữ liệu phức tạp.

Exercise 1: Nhúng hạng mục (category embeddings)Exercise 2: Định nghĩa tra cứu đội Exercise 3: Định nghĩa mô hình team Exercise 4: Các layer dùng chung Exercise 5: Định nghĩa hai đầu vào Exercise 6: Tra cứu cả hai đầu vào trong cùng một mô hình Exercise 7: Các lớp Merge Exercise 8: Lớp đầu ra dùng lớp chia sẻ Exercise 9: Mô hình dùng hai đầu vào và một đầu ra Exercise 10: Dự đoán từ mô hình của bạn Exercise 11: Huấn luyện mô hình với dữ liệu mùa giải thường lệ Exercise 12: Đánh giá mô hình trên dữ liệu kiểm thử của giải đấu

Trong chương này, bạn sẽ mở rộng mô hình 2 đầu vào lên 3 đầu vào, và học cách dùng các hàm summary và plot của Keras để hiểu về tham số và cấu trúc (topology) của mạng nơ-ron. Kết thúc chương, bạn sẽ hiểu cách mở rộng mô hình 2 đầu vào lên 3 đầu vào và hơn nữa.

Exercise 1: Mô hình ba đầu vào Exercise 2: Tạo một input layer cho sân nhà vs. sân khách Exercise 3: Tạo mô hình và biên dịch Exercise 4: Huấn luyện và đánh giá mô hình Exercise 5: Tóm tắt và vẽ mô hình Exercise 6: Tóm tắt mô hình Exercise 7: Vẽ sơ đồ mô hình Exercise 8: Xếp chồng các mô hình Exercise 9: Thêm dự đoán của model vào dữ liệu giải đấu Exercise 10: Tạo một tầng đầu vào với nhiều cột Exercise 11: Huấn luyện mô hình Exercise 12: Đánh giá mô hình

Trong chương này, bạn sẽ xây dựng các mạng nơ-ron có nhiều đầu ra, có thể dùng để giải các bài toán regression với nhiều mục tiêu. Bạn cũng sẽ xây dựng một mô hình đồng thời giải một bài toán regression và một bài toán classification.

Exercise 1: Mô hình hai đầu ra Exercise 2: Mô hình hai đầu ra đơn giản Exercise 3: Huấn luyện một mô hình với hai đầu ra Exercise 4: Khám phá mô hình (I)Exercise 5: Đánh giá mô hình Exercise 6: Một mô hình cho cả phân loại và hồi quy Exercise 7: Phân loại và hồi quy trong cùng một mô hình Exercise 8: Biên dịch và huấn luyện mô hình Exercise 9: Kiểm tra mô hình (II)

Bài tập hiện tại

Exercise 10: Đánh giá trên dữ liệu mới với hai chỉ số Exercise 11: Tổng kết