Deep Learning mit Keras - Kompilieren des Modells

Die Kompilierung wird mit einem einzigen aufgerufenen Methodenaufruf durchgeführt compile.

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

Das compileMethode erfordert mehrere Parameter. Der Verlustparameter wird als Typ angegeben'categorical_crossentropy'. Der Metrikparameter ist auf eingestellt'accuracy' und schließlich benutzen wir die adamOptimierer für das Training des Netzwerks. Die Ausgabe in dieser Phase ist unten dargestellt -

Jetzt können wir die Daten in unser Netzwerk einspeisen.

Lade Daten

Wie bereits erwähnt, werden wir die verwenden mnistDatensatz von Keras zur Verfügung gestellt. Wenn wir die Daten in unser System laden, teilen wir sie in die Trainings- und Testdaten auf. Die Daten werden durch Aufrufen von geladenload_data Methode wie folgt -

(X_train, y_train), (X_test, y_test) = mnist.load_data()

Die Ausgabe in dieser Phase sieht wie folgt aus:

Nun lernen wir die Struktur des geladenen Datensatzes.

Die Daten, die uns zur Verfügung gestellt werden, sind grafische Bilder mit einer Größe von 28 x 28 Pixel, die jeweils eine einzelne Ziffer zwischen 0 und 9 enthalten. Die ersten zehn Bilder werden auf der Konsole angezeigt. Der Code dafür ist unten angegeben -

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

In einer iterativen Schleife von 10 Zählungen erstellen wir bei jeder Iteration eine Unterzeichnung und zeigen ein Bild von X_trainVektor darin. Wir benennen jedes Bild aus dem entsprechendeny_trainVektor. Notiere dass dery_train Der Vektor enthält die tatsächlichen Werte für das entsprechende Bild in X_trainVektor. Wir entfernen die Markierungen der x- und y-Achse, indem wir die beiden Methoden aufrufenxticks und yticksmit null Argument. Wenn Sie den Code ausführen, wird die folgende Ausgabe angezeigt:

Als nächstes bereiten wir Daten für die Einspeisung in unser Netzwerk vor.