Deep Learning dengan Keras - Mengompilasi Model

Kompilasi dilakukan menggunakan satu panggilan metode tunggal yang dipanggil compile.

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

Itu compileMetode membutuhkan beberapa parameter. Parameter kerugian ditentukan memiliki tipe'categorical_crossentropy'. Parameter metrik disetel ke'accuracy' dan akhirnya kami menggunakan adampengoptimal untuk melatih jaringan. Output pada tahap ini ditunjukkan di bawah ini -

Sekarang, kami siap untuk memasukkan data ke jaringan kami.

Memuat Data

Seperti yang dikatakan sebelumnya, kami akan menggunakan file mnistset data disediakan oleh Keras. Saat kami memuat data ke sistem kami, kami akan membaginya dalam data pelatihan dan pengujian. Data dimuat dengan memanggilload_data metode sebagai berikut -

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

Output pada tahap ini terlihat seperti berikut -

Sekarang, kita akan mempelajari struktur dataset yang dimuat.

Data yang diberikan kepada kami adalah gambar grafik berukuran 28 x 28 piksel, masing-masing berisi satu digit antara 0 dan 9. Kami akan menampilkan sepuluh gambar pertama di konsol. Kode untuk melakukannya diberikan di bawah ini -

# 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([])

Dalam loop iteratif 10 hitungan, kami membuat subplot pada setiap iterasi dan menampilkan gambar dari X_trainvektor di dalamnya. Kami memberi judul setiap gambar dari yang sesuaiy_trainvektor. Perhatikan bahway_train vektor berisi nilai sebenarnya untuk gambar terkait di X_trainvektor. Kami menghapus tanda sumbu x dan y dengan memanggil dua metodexticks dan yticksdengan argumen nol. Saat Anda menjalankan kode, Anda akan melihat output berikut -

Selanjutnya, kami akan menyiapkan data untuk dimasukkan ke dalam jaringan kami.