15-amaliy mashg’ulot: Mavzu
Download 0.83 Mb.
|
- Bu sahifa navigatsiya:
- Vizualizatsiya, tajriba, konservatsiya. Aniqlik uchun oqitish grafiklarini tuzamiz. fit () usuli mashgulotlar tarixini qaytaradi.
Flatten () - bu 2 o'lchovli ma'lumotlarni 1 o'lchovli ma'lumotlarga o'zgartiradigan qatlam.
Keras # Bir qatlamli pertseptron yaratamiz model.add(Dense(10, activation='softmax')) Dense() — to'liq bog'langan so'zlar, chiqish soni - 10, "softmax" faollashtirish funktsiyasi. Keyin biz o'z modelimizni tuzishimiz kerak. Modelni tuzishda uchta parametr qo'llaniladi: optimallashtirish, yo'qotish va o'lchovlar. model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) Vaznni optimallashtiruvchi optimizer = 'adam'. Yo'qotish funktsiyasi: loss='categorical_crossentropy' kategorik krossentropiya CCE. O'lchovlar: O'quv va sinov paytida model bo'yicha baholanadigan ko'rsatkichlar ro'yxati. Odatda siz metrikadan foydalanasiz = ['aniqlik']. Ko'p chiqadigan modelning turli xil natijalari uchun turli xil ko'rsatkichlarni belgilash uchun siz lug'atni ham topshirishingiz mumkin, masalan metrics={'output_a': 'accuracy'}. Endi tarmoqni o’qitishni ishga tushiramiz: hist = model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=1) print(hist.history) epochs=1 davrlar soni, validation_data=(x_test, y_test) — tekshiruvchi ma’lumotlar REKLAMA Vizualizatsiya, tajriba, konservatsiya. Aniqlik uchun o'qitish grafiklarini tuzamiz. fit () usuli mashg'ulotlar tarixini qaytaradi. import matplotlib.pyplot as plt history = model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=5) # Soxaning o'qitilishi va tekshirishning aniqligi qiymatlari plt.plot(history.history['acc']) plt.plot(history.history['val_acc']) plt.title('Model accuracy') plt.ylabel('Accuracy') plt.xlabel('Epoch') plt.legend(['Train', 'Test'], loc='upper left') plt.show() plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.title('Model loss') plt.ylabel('Loss') plt.xlabel('Epoch') plt.legend(['Train', 'Test'], loc='upper left') plt.show() Maksimum bo’yicha pooling qatlamini qo'shamiz va uni 10 ta davrda ishlatamiz. Shuningdek, xato va optimallashtirish funktsiyasini o'zgartiramiz. from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D model.add(Conv2D(64, kernel_size=3, activation='relu', input_shape=(28, 28, 1))) model.add(MaxPooling2D()) model.add(Conv2D(128, kernel_size=3, activation='relu')) model.add(Flatten()) model.add(Dense(10, activation='softmax')) model.compile(optimizer='sgd', loss='mean_squared_error', metrics=['accuracy']) history = model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=10) 'val_acc': [0.8221, 0.9609, 0.9733, 0.9756, 0.9797, 0.9809, 0.9821, 0.9828, 0.9836, 0.9841] Download 0.83 Mb. Do'stlaringiz bilan baham: |
Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©fayllar.org 2024
ma'muriyatiga murojaat qiling
ma'muriyatiga murojaat qiling