Träning med Keras

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Översikt: träning och utvärdering

# 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)

Diagrammet visar hur en datamängd delas upp i batchar och hur dessa batchar tillsammans bildar en epok.

Bilden visar hur en datamängd delas upp i ett tränings- och valideringsurval.

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

Bilden visar tränings- och valideringsresultat för 10 epoker.

# 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)

Bilden visar tränings- och valideringsresultat för 10 epoker.

Bilden visar hur en datamängd delas upp i ett tränings-, validerings- och testurval.

# Evaluate the test set
model.evaluate(test)

Introduktion till TensorFlow i Python