Training con Keras

Introduzione a TensorFlow in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Panoramica di training e valutazione

# Import tensorflow
import tensorflow as tf

# Define a sequential model
model = tf.keras.Sequential()

# Define the hidden layer
model.add(tf.keras.layers.Dense(16, activation='relu', input_shape=(784,)))

# Define the output layer
model.add(tf.keras.layers.Dense(4, activation='softmax'))

# Compile model
model.compile('adam', loss='categorical_crossentropy')

# Train model
model.fit(image_features, image_labels)

Il diagramma mostra come un insieme di dati è diviso in batch e l'insieme dei batch equivale a un'epoch.

L'immagine mostra un insieme di dati suddiviso in training e validation set.

# Train model with validation split
model.fit(features, labels, epochs=10, validation_split=0.20)

L'immagine mostra 10 epoch con risultati di training e validation.

# Recomile the model with the accuracy metric
model.compile('adam', loss='categorical_crossentropy', metrics=['accuracy'])

# Train model with validation split
model.fit(features, labels, epochs=10, validation_split=0.20)

L'immagine mostra 10 epoch con risultati di training e validation.

L'immagine mostra un insieme di dati suddiviso in training, validation e test set.

# Evaluate the test set
model.evaluate(test)

Introduzione a TensorFlow in Python