15-amaliy mashg’ulot: Mavzu

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]