Jaki jest sens gadatliwości w Kerasie podczas walidacji modelu?


Po raz pierwszy używam modelu LSTM.
Oto mój model: 
opt = Adam(0.002)

inp = Input(...)

print(inp)

x = Embedding(....)(inp)

x = LSTM(...)(x)

x = BatchNormalization()(x)

pred = Dense(5,activation='softmax')(x)model = Model(inp,pred)

model.compile(....)idx = np.random.permutation(X_train.shape[0])

model.fit(X_train[idx], y_train[idx], nb_epoch=1, batch_size=128, verbose=1)

Jaki jest pożytek z gadatliwości podczas uczenia modelu?
2021-03-02 Dodaj komentarz
Udostępnij to

Nie znaleziono powiązanych wyników

    Zaproszony:
    Anonimowy użytkownik

    Anonimowy użytkownik

    Potwierdzenie od:

    Sprawdź w dokumentacji model.fit

    tutaj
    https://keras.io/models/model/
    .
    Ustawiając szczegółowe 0, 1 lub 2, po prostu mówisz, jak chcesz „zobaczyć” postęp w nauce dla każdej epoki. 
    verbose = 0
    nic Ci nie pokaże (cicha) 
    verbose = 1
    wyświetli animowany pasek postępu, taki jak ten:
    https://i.stack.imgur.com/s43II.png
    verbose = 2
    poda po prostu numer epoki w następujący sposób:
    https://i.stack.imgur.com/gxbMD.png
    2021-03-02 0 0
    Udostępnij to
    Anonimowy użytkownik

    Anonimowy użytkownik

    Potwierdzenie od: 

    verbose: Integer
    . 0, 1 lub 2. Tryb oznajmiania.
    Verbose = 0 (cisza)
    Verbose = 1 (pasek postępu) 
    Train on 186219 samples, validate on 20691 samples
    
Epoch 1/2
    
186219/186219 [==============================] - 85s 455us/step - loss: 0.5815 - acc: 
    
0.7728 - val_loss: 0.4917 - val_acc: 0.8029
    
Train on 186219 samples, validate on 20691 samples
    
Epoch 2/2
    
186219/186219 [==============================] - 84s 451us/step - loss: 0.4921 - acc: 
    
0.8071 - val_loss: 0.4617 - val_acc: 0.8168

    Verbose = 2 (jeden wiersz na epokę) 
    Train on 186219 samples, validate on 20691 samples
    
Epoch 1/1
    
 - 88s - loss: 0.5746 - acc: 0.7753 - val_loss: 0.4816 - val_acc: 0.8075
    
Train on 186219 samples, validate on 20691 samples
    
Epoch 1/1
    
 - 88s - loss: 0.4880 - acc: 0.8076 - val_loss: 0.5199 - val_acc: 0.8046
    2021-03-02 0 0
    Udostępnij to
    Anonimowy użytkownik

    Anonimowy użytkownik

    Potwierdzenie od:

    W przypadku
    verbose
    & > 0, dzienniki metod
    fit
    :
    • loss : wartość funkcji utraty danych treningowych
    • acc : wartość precyzji danych treningowych.
    Uwaga: jeśli stosowane są mechanizmy regularyzacji, są one uwzględnione, aby uniknąć nadmiernego dopasowania.

    jeśli argumenty
    validation_data
    lub
    validation_split
    nie są puste, wówczas rejestrowana jest metoda
    fit
    :
    • val_loss : wartość funkcji utraty danych testowych
    • val_acc : wartość dokładności danych walidacji
    Uwaga: mechanizmy regularyzacyjne są wyłączone podczas testów, ponieważ korzystamy ze wszystkich funkcji sieci.

    Na przykład użycie
    verbose
    podczas uczenia modelu pomaga wykryć nadmierne dopasowanie, które ma miejsce, gdy
    acc
    poprawia się, a
    val_acc
    się pogarsza.
    2021-03-02 0 0
    Udostępnij to
    Anonimowy użytkownik

    Anonimowy użytkownik

    Potwierdzenie od:

    Domyślnie verbose = 1,
    verbose = 1, co obejmuje zarówno pasek postępu, jak i jedną linię na epokę
    verbose = 0 oznacza ciszę
    verbose = 2, jedna linia na epokę, tj. nr epoki/całkowita liczba epok
    2021-03-02 0 0
    Udostępnij to
    Dlaczego jest złożony? 0 odpowiedzi zostało zwiniętych

    Aby odpowiedzieć na pytania, Zaloguj się lub Zarejestruj się

    Polityka prywatności: https://zweryfikowac.pl/Polityka-prywatnosci.pdf
    Copyright © 2023, All Rights Reserved