Deep Learning dengan Keras - Melatih Model

Pelatihan model dilakukan dalam satu panggilan metode yang disebut fit yang mengambil beberapa parameter seperti yang terlihat pada kode di bawah ini -

history = model.fit(X_train, Y_train,
   batch_size=128, epochs=20,
   verbose=2,
   validation_data=(X_test, Y_test)))

Dua parameter pertama untuk metode fit menentukan fitur dan keluaran dari set data pelatihan.

Itu epochsdiatur ke 20; kami berasumsi bahwa pelatihan akan berkumpul dalam maksimal 20 epoch - iterasi. Model yang dilatih divalidasi pada data pengujian seperti yang ditentukan di parameter terakhir.

Output parsial dari menjalankan perintah di atas ditampilkan di sini -

Train on 60000 samples, validate on 10000 samples
Epoch 1/20
- 9s - loss: 0.2488 - acc: 0.9252 - val_loss: 0.1059 - val_acc: 0.9665
Epoch 2/20
- 9s - loss: 0.1004 - acc: 0.9688 - val_loss: 0.0850 - val_acc: 0.9715
Epoch 3/20
- 9s - loss: 0.0723 - acc: 0.9773 - val_loss: 0.0717 - val_acc: 0.9765
Epoch 4/20
- 9s - loss: 0.0532 - acc: 0.9826 - val_loss: 0.0665 - val_acc: 0.9795
Epoch 5/20
- 9s - loss: 0.0457 - acc: 0.9856 - val_loss: 0.0695 - val_acc: 0.9792

Tangkapan layar keluaran diberikan di bawah ini untuk referensi cepat Anda -

Sekarang, saat model dilatih pada data pelatihan kami, kami akan mengevaluasi performanya.