Entraîner avec Keras

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Aperçu de l'entraînement et de l'évaluation

# 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)

Le schéma illustre comment un ensemble de données est divisé en lots, et l'ensemble de ces lots constitue une époque.

L'image montre un ensemble de données scindé en échantillons d'entraînement et de validation.

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

L'image montre 10 époques avec les résultats d'entraînement et de validation.

# 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)

L'image montre 10 époques avec les résultats d'entraînement et de validation.

L'image montre un ensemble de données scindé en échantillons d'entraînement, de validation et de test.

# Evaluate the test set
model.evaluate(test)

Introduction à TensorFlow en Python