Keras ile Derin Öğrenme - Modeli Derleme

Derleme, adı verilen tek bir yöntem çağrısı kullanılarak gerçekleştirilir. compile.

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

compileyöntem birkaç parametre gerektirir. Kayıp parametresi türüne sahip olacak şekilde belirtildi'categorical_crossentropy'. Metrikler parametresi şu şekilde ayarlanmıştır:'accuracy' ve sonunda kullanıyoruz adamağı eğitmek için optimize edici. Bu aşamadaki çıktı aşağıda gösterilmiştir -

Artık verileri ağımıza aktarmaya hazırız.

Veri yükleniyor

Daha önce de belirtildiği gibi, kullanacağız mnistKeras tarafından sağlanan veri kümesi. Verileri sistemimize yüklediğimizde, onu eğitim ve test verilerine böleriz. Veriler, çağrılarak yüklenir.load_data yöntem aşağıdaki gibidir -

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

Bu aşamadaki çıktı aşağıdaki gibi görünür -

Şimdi, yüklenen veri setinin yapısını öğreneceğiz.

Bize sağlanan veriler, her biri 0 ile 9 arasında tek bir rakam içeren 28 x 28 piksel boyutunda grafik resimlerdir. Konsolda ilk on resmi göstereceğiz. Bunu yapmak için kod aşağıda verilmiştir -

# 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([])

10 sayımlık yinelemeli bir döngüde, her yinelemede bir alt plan oluştururuz ve X_trainiçindeki vektör. Her bir görüntüyü karşılık geleny_trainvektör. Unutmayın kiy_train vektör, içindeki karşılık gelen görüntünün gerçek değerlerini içerir X_trainvektör. İki yöntemi çağırarak x ve y eksen işaretlerini kaldırıyoruzxticks ve yticksboş argüman ile. Kodu çalıştırdığınızda, aşağıdaki çıktıyı görürsünüz -

Ardından, ağımıza beslemek için verileri hazırlayacağız.