Compiler et ajuster un modèle

Introduction à Deep Learning en Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Pourquoi compiler votre modèle

  • Préciser l'optimiseur
    • Nombreuses options, mathématiquement complexes
    • « Adam » convient généralement bien
  • Fonction de perte
    • « mean_squared_error » courant pour la régression
Introduction à Deep Learning en Python

Compilation d'un modèle

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')
Introduction à Deep Learning en Python

Qu'est-ce qu'ajuster un modèle

  • Appliquer la rétropropagation et la descente de gradient à vos données pour mettre à jour les poids
  • Normaliser les données avant l'ajustement peut faciliter l'optimisation
Introduction à Deep Learning en Python

Ajuster un modèle

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)
Introduction à Deep Learning en Python

Passons à la pratique !

Introduction à Deep Learning en Python

Preparing Video For Download...