Compilare e addestrare un modello

Introduzione al Deep Learning in Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Perché compilare il modello

  • Specifica l'optimizer
    • Tante opzioni e matematicamente complesso
    • "Adam" è di solito una buona scelta
  • Funzione di loss
    • "mean_squared_error" è comune per la regressione
Introduzione al Deep Learning in Python

Compilare un modello

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')
Introduzione al Deep Learning in Python

Cos'è l'addestramento (fitting)

  • Applica backpropagation e discesa del gradiente ai tuoi dati per aggiornare i pesi
  • Scalare i dati prima del fit può facilitare l'ottimizzazione
Introduzione al Deep Learning in Python

Addestrare un modello

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)
Introduzione al Deep Learning in Python

Mettiamoci alla prova!

Introduzione al Deep Learning in Python

Preparing Video For Download...