Compilation et ajustement d'un modèle

Introduction au Deep Learning en Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Pourquoi il est nécessaire de compiler votre modèle

  • Indiquer l'optimiseur
    • Nombreuses options et complexité mathématique
    • « Adam » est généralement un choix judicieux
  • Fonction de perte
    • "mean_squared_error" couramment utilisé pour la régression
Introduction au Deep Learning en Python

Compilation d'un modèle

n_cols = predictors.shape[1]
model = Sequential()
model.add(Dense(100, activation='relu', input_shape=(n_cols,)))
model.add(Dense(100, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
Introduction au Deep Learning en Python

Qu'est-ce que l'ajustement d'un modèle ?

  • Appliquer la rétropropagation et la descente de gradient à vos données pour mettre à jour les poids
  • La mise à l'échelle des données avant l'ajustement peut faciliter l'optimisation
Introduction au Deep Learning en Python

Ajustement d'un modèle

n_cols = predictors.shape[1]
model = Sequential()
model.add(Dense(100, activation='relu', input_shape=(n_cols,)))
model.add(Dense(100, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(predictors, target)
Introduction au Deep Learning en Python

Passons à la pratique !

Introduction au Deep Learning en Python

Preparing Video For Download...