Kompilace a trénování modelu

Úvod do deep learningu v Pythonu

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Proč je třeba model kompilovat

Určení optimalizátoru
- Mnoho možností, matematicky složité
- „Adam" je obvykle dobrá volba
Ztrátová funkce
- „mean_squared_error" běžná pro regresi

Kompilace modelu

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')

Co znamená trénování modelu

Aplikace zpětného šíření a gradientního sestupu na data pro aktualizaci vah
Škálování dat před trénováním může usnadnit optimalizaci

Trénování modelu

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)

Pojďme si procvičit!

Úvod do deep learningu v Pythonu