Tập dữ liệu hoa có thể được biên dịch và phù hợp với mô hình bằng cách sử dụng các phương pháp 'biên dịch' và 'phù hợp' tương ứng. Đối với phương thức 'fit', tập dữ liệu đào tạo cũng như tập dữ liệu xác thực được chuyển dưới dạng tham số. Số lượng kỷ nguyên cũng được xác định trong phương thức "fit".
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 về hoa, chứa hình ảnh của hàng nghìn bông hoa. Nó chứa 5 thư mục con và có một thư mục con cho mọi lớp.
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("The model is being compiled")
model.compile(
optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
print("The model is being fit to the data")
model.fit(
train_ds,
validation_data=val_ds,
epochs=3
) Tín dụng mã:https://www.tensorflow.org/tutorials/load_data/images
Đầu ra
The model is being compiled The model is being fit to the data Epoch 1/3 92/92 [==============================] - 107s 1s/step - loss: 1.3570 - accuracy: 0.4183 - val_loss: 1.0730 - val_accuracy: 0.5913 Epoch 2/3 92/92 [==============================] - 101s 1s/step - loss: 1.0185 - accuracy: 0.5927 - val_loss: 1.0041 - val_accuracy: 0.6199 Epoch 3/3 92/92 [==============================] - 95s 1s/step - loss: 0.8691 - accuracy: 0.6529 - val_loss: 0.9985 - val_accuracy: 0.6281 <tensorflow.python.keras.callbacks.History at 0x7f2cdcbbba90>
Giải thích
- Sau khi các lớp được tạo và dữ liệu được đào tạo, bước tiếp theo là biên dịch mô hình đã được xây dựng.
- Sau khi biên dịch xong, mô hình sẽ phù hợp với tập dữ liệu đầu vào.
- Độ chính xác xác thực là một giá trị thấp so với giá trị độ chính xác đào tạo.
- Điều này có nghĩa là mô hình của chúng tôi phù hợp hơn.