Глубокое обучение с Керасом - Обучение модели

Обучение модели выполняется одним вызовом метода под названием fit, который принимает несколько параметров, как показано в приведенном ниже коде:

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

Первые два параметра метода подгонки определяют функции и выходные данные обучающего набора данных.

В epochsустановлено на 20; мы предполагаем, что обучение сойдется максимум за 20 эпох - итераций. Обученная модель проверяется на тестовых данных, как указано в последнем параметре.

Частичный вывод выполнения вышеуказанной команды показан здесь -

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

Снимок экрана вывода приведен ниже для вашего быстрого ознакомления -

Теперь, когда модель обучена на наших обучающих данных, мы оценим ее производительность.