Suivi de l'apprentissage

Modélisation d'images avec Keras

Ariel Rokem

Senior Data Scientist, University of Washington

Courbes d'apprentissage : entraînement

Courbes d'apprentissage : validation

Courbes d'apprentissage : surapprentissage

training = model.fit(train_data, train_labels, 
                     epochs=3, validation_split=0.2)

import matplotlib.pyplot as plt
plt.plot(training.history['loss'])

plt.plot(training.history['val_loss'])

plt.show()

Enregistrer les paramètres optimaux

from keras.callbacks import ModelCheckpoint

# This checkpoint object will store the model parameters 
# in the file "weights.hdf5"
checkpoint = ModelCheckpoint('weights.hdf5', monitor='val_loss', 
                             save_best_only=True)

# Store in a list to be used during training
callbacks_list = [checkpoint]

# Fit the model on a training set, using the checkpoint as a 
#callback
model.fit(train_data, train_labels, validation_split=0.2, 
          epochs=3, callbacks=callbacks_list)

Charger les paramètres enregistrés

model.load_weights('weights.hdf5')

model.predict_classes(test_data)

array([2, 2, 1, 2, 0, 1, 0, 1, 2, 0])

Passons à la pratique !

Modélisation d'images avec Keras