Aprendizaje profundo con Keras: compilación del modelo

La compilación se realiza mediante una única llamada de método llamada compile.

model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

los compileEl método requiere varios parámetros. El parámetro de pérdida se especifica para tener tipo'categorical_crossentropy'. El parámetro de métricas se establece en'accuracy' y finalmente usamos el adamoptimizador para entrenar la red. La salida en esta etapa se muestra a continuación:

Ahora, estamos listos para alimentar los datos a nuestra red.

Cargando datos

Como se dijo anteriormente, usaremos el mnistconjunto de datos proporcionado por Keras. Cuando cargamos los datos en nuestro sistema, los dividiremos en los datos de entrenamiento y de prueba. Los datos se cargan llamando alload_data método de la siguiente manera -

(X_train, y_train), (X_test, y_test) = mnist.load_data()

La salida en esta etapa se parece a la siguiente:

Ahora, aprenderemos la estructura del conjunto de datos cargado.

Los datos que se nos proporcionan son las imágenes gráficas de tamaño 28 x 28 píxeles, cada una de las cuales contiene un solo dígito entre 0 y 9. Mostraremos las diez primeras imágenes en la consola. El código para hacerlo se proporciona a continuación:

# printing first 10 images
for i in range(10):

plot.subplot(3,5,i+1)
plot.tight_layout()
plot.imshow(X_train[i], cmap='gray', interpolation='none')
plot.title("Digit: {}".format(y_train[i]))
plot.xticks([])
plot.yticks([])

En un ciclo iterativo de 10 recuentos, creamos una subtrama en cada iteración y mostramos una imagen de X_trainvector en él. Titulamos cada imagen del correspondientey_trainvector. Tenga en cuenta que ely_train El vector contiene los valores reales de la imagen correspondiente en X_trainvector. Eliminamos las marcas de los ejes xey llamando a los dos métodosxticks y ytickscon argumento nulo. Cuando ejecute el código, verá el siguiente resultado:

A continuación, prepararemos los datos para introducirlos en nuestra red.