Компиляция и обучение модели

Введение в глубокое обучение на Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Зачем компилировать модель

Выбор оптимизатора
- Множество вариантов, математически сложно
- «Adam» — обычно хороший выбор
Функция потерь
- «mean_squared_error» — стандарт для регрессии

Компиляция модели

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')

Что такое обучение модели

Применение обратного распространения ошибки и градиентного спуска для обновления весов
Масштабирование данных перед обучением упрощает оптимизацию

Обучение модели

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)

Давайте потренируемся!

Введение в глубокое обучение на Python