การเรียนรู้เชิงลึกด้วย Keras - การรวบรวมโมเดล
การคอมไพล์จะดำเนินการโดยใช้การเรียกวิธีเดียวที่เรียกว่า compile.
model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
compileวิธีการต้องใช้หลายพารามิเตอร์ พารามิเตอร์การสูญเสียถูกระบุให้มีประเภท'categorical_crossentropy'. พารามิเตอร์เมตริกถูกตั้งค่าเป็น'accuracy' และในที่สุดเราก็ใช้ไฟล์ adamเครื่องมือเพิ่มประสิทธิภาพสำหรับการฝึกอบรมเครือข่าย ผลลัพธ์ในขั้นตอนนี้แสดงไว้ด้านล่าง -
ตอนนี้เราพร้อมที่จะป้อนข้อมูลเข้าสู่เครือข่ายของเราแล้ว
กำลังโหลดข้อมูล
ดังที่ได้กล่าวไว้ก่อนหน้านี้เราจะใช้ไฟล์ mnistชุดข้อมูลจัดทำโดย Keras เมื่อเราโหลดข้อมูลลงในระบบของเราเราจะแบ่งข้อมูลในการฝึกอบรมและข้อมูลการทดสอบ ข้อมูลถูกโหลดโดยเรียกไฟล์load_data วิธีการดังนี้ -
(X_train, y_train), (X_test, y_test) = mnist.load_data()
ผลลัพธ์ในขั้นตอนนี้มีลักษณะดังต่อไปนี้ -
ตอนนี้เราจะเรียนรู้โครงสร้างของชุดข้อมูลที่โหลด
ข้อมูลที่ให้กับเราคือภาพกราฟิกขนาด 28 x 28 พิกเซลแต่ละภาพมีตัวเลขหลักเดียวระหว่าง 0 ถึง 9 เราจะแสดงภาพสิบภาพแรกบนคอนโซล รหัสสำหรับการดำเนินการดังกล่าวได้รับด้านล่าง -
# 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([])
ในการวนซ้ำ 10 ครั้งเราสร้างพล็อตย่อยสำหรับการวนซ้ำแต่ละครั้งและแสดงภาพจาก X_trainเวกเตอร์อยู่ในนั้น เราตั้งชื่อภาพแต่ละภาพจากสิ่งที่เกี่ยวข้องy_trainเวกเตอร์. โปรดทราบว่าไฟล์y_train เวกเตอร์มีค่าจริงสำหรับรูปภาพที่เกี่ยวข้องใน X_trainเวกเตอร์. เราลบเครื่องหมายแกน x และ y โดยเรียกสองวิธีxticks และ yticksด้วยอาร์กิวเมนต์ว่าง เมื่อคุณเรียกใช้รหัสคุณจะเห็นผลลัพธ์ต่อไปนี้ -
ต่อไปเราจะเตรียมข้อมูลสำหรับป้อนเข้าสู่เครือข่ายของเรา