Trenowanie w Keras

Wprowadzenie do TensorFlow w Pythonie

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Przegląd trenowania i oceny

# 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)

Diagram ilustruje podział zbioru danych na partie i pokazuje, że ich połączenie tworzy jedną epokę.

Obraz przedstawia podział zbioru danych na próbkę treningową i walidacyjną.

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

Obraz przedstawia 10 epok wyników trenowania i walidacji.

# 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)

Obraz przedstawia 10 epok wyników trenowania i walidacji.

Obraz przedstawia podział zbioru danych na próbkę treningową, walidacyjną i testową.

# Evaluate the test set
model.evaluate(test)

Wprowadzenie do TensorFlow w Pythonie