Một lớp chuẩn hóa có thể được xây dựng bằng phương pháp 'Chuẩn hóa' có trong mô-đun 'tiền xử lý'. Lớp này được tạo ra để thích ứng với các tính năng của tập dữ liệu bào ngư. Ngoài ra, một lớp dày đặc được thêm vào để cải thiện khả năng đào tạo của mô hình. Lớp này sẽ giúp tính trước giá trị trung bình và phương sai được liên kết với mọi cột. Giá trị trung bình và phương sai này sẽ được sử dụng để chuẩn hóa dữ liệu.
Đọc thêm: TensorFlow là gì và cách Keras làm việc với TensorFlow để tạo Mạng thần kinh?
Chúng tôi sẽ sử dụng tập dữ liệu bào ngư, trong đó có một tập hợp các phép đo của bào ngư. Bào ngư là một loại ốc biển. Mục đích là để dự đoán tuổi dựa trên các phép đo khác.
Chúng tôi đang sử dụng Google Colaboratory để chạy đoạn mã dưới đây. Google Colab hoặc Colaboratory giúp chạy mã Python qua trình duyệt và không yêu cầu cấu hình cũng như quyền truy cập miễn phí vào GPU (Đơn vị xử lý đồ họa). Colaboratory đã được xây dựng trên Jupyter Notebook.
print("A normalization layer is being built")
normalize = preprocessing.Normalization()
normalize.adapt(abalone_features)
print("A dense layer is being added")
norm_abalone_model = tf.keras.Sequential([
normalize,
layers.Dense(64),
layers.Dense(1)
]) Tín dụng mã:https://www.tensorflow.org/tutorials/load_data/csv
Đầu ra
A normalization layer is being built A dense layer is being added
Giải thích
- Các đầu vào cho mô hình được chuẩn hóa.
- Quá trình chuẩn hóa này có thể được kết hợp bằng cách thêm lớp 'Experiment.preprocessing'.
- Lớp này sẽ giúp tính toán trước giá trị trung bình và phương sai được liên kết với mọi cột.
- Giá trị trung bình và phương sai này được sử dụng để chuẩn hóa dữ liệu.
- Đầu tiên, lớp chuẩn hóa được tạo bằng phương thức 'Normalization.adapt'.
- Chỉ dữ liệu đào tạo nên được sử dụng với phương pháp 'thích ứng' cho các lớp tiền xử lý.
- Lớp chuẩn hóa này được sử dụng để xây dựng mô hình.