Bizning modelimiz ikki bosqichda o'qitiladi, birinchisi modelni kompilyatsiya qilish (modelni birlashtirish) va keyingisi modelni berilgan ma'lumotlar to'plamiga moslashtirish.
Buni model.compile() funksiyasidan keyin model.fit() funksiyasi yordamida amalga oshirish mumkin.
model.compile(optimizer = Adam(o'rganish_stavkasi = 0.0001), yo'qotish = 'ikkilik_krossentropiya', ko'rsatkichlar = ['aniqlik'])
model.fit(x, y, davrlar = 30, to'plam_sizi = 10) "Aniqlik" ko'rsatkichini ko'rsatish bizga o'quv jarayonida modelimiz to'g'riligini kuzatish imkonini beradi.
Bizning teglarimiz 1 va 0 ko'rinishida bo'lgani uchun biz haqiqiy va taxmin qilingan teglar o'rtasidagi farqni hisoblash uchun ikkilik yo'qotish funksiyasidan foydalanamiz.
Ma'lumotlar to'plami, shuningdek, 10 ta (batch_size) to'plamlarga bo'linadi va model orqali 30 marta (davrlar) o'tkaziladi. Berilgan ma'lumotlar to'plami uchun x ma'lumotlar va y ma'lumotlarga mos keladigan teglar bo'ladi.
Prognozlar Yordamida Modelni Sinovdan O'tkazish
Modelimizni baholash uchun biz taxmin () funktsiyasidan foydalanib test ma'lumotlari bo'yicha bashorat qilamiz.
bashorat = model.predict(x) Va bu shunday!
Endi siz buni yaxshi tushunishingiz kerak Chuqur o'rganish ilovasi, Neyron tarmoqlari, ular umuman qanday ishlaydi va Python kodida modelni qanday qurish, o'rgatish va sinab ko'rish.
Umid qilamanki, ushbu qo'llanma sizga o'zingizning De
