Kompilera och träna en modell

Introduktion till djupinlärning i Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Varför du behöver kompilera modellen

Ange optimerare
- Många alternativ och matematiskt komplexa
- "Adam" är oftast ett bra val
Förlustfunktion
- "mean_squared_error" vanlig vid regression

Kompilera en modell

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')

Vad innebär det att träna en modell

Tillämpar backpropagation och gradientmetoden på dina data för att uppdatera vikterna
Att skala data innan träning kan underlätta optimeringen

Träna en modell

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)

Nu kör vi en övning!

Introduktion till djupinlärning i Python