Aprendizaje profundo con Keras: entrenamiento del modelo

El entrenamiento del modelo se realiza en una única llamada de método llamada ajuste que toma pocos parámetros como se ve en el código a continuación:

history = model.fit(X_train, Y_train,
   batch_size=128, epochs=20,
   verbose=2,
   validation_data=(X_test, Y_test)))

Los dos primeros parámetros del método de ajuste especifican las características y la salida del conjunto de datos de entrenamiento.

los epochsestá establecido en 20; asumimos que el entrenamiento convergerá en un máximo de 20 épocas: las iteraciones. El modelo entrenado se valida en los datos de prueba como se especifica en el último parámetro.

Aquí se muestra el resultado parcial de ejecutar el comando anterior:

Train on 60000 samples, validate on 10000 samples
Epoch 1/20
- 9s - loss: 0.2488 - acc: 0.9252 - val_loss: 0.1059 - val_acc: 0.9665
Epoch 2/20
- 9s - loss: 0.1004 - acc: 0.9688 - val_loss: 0.0850 - val_acc: 0.9715
Epoch 3/20
- 9s - loss: 0.0723 - acc: 0.9773 - val_loss: 0.0717 - val_acc: 0.9765
Epoch 4/20
- 9s - loss: 0.0532 - acc: 0.9826 - val_loss: 0.0665 - val_acc: 0.9795
Epoch 5/20
- 9s - loss: 0.0457 - acc: 0.9856 - val_loss: 0.0695 - val_acc: 0.9792

La captura de pantalla de la salida se muestra a continuación para su referencia rápida:

Ahora, a medida que el modelo se entrena con nuestros datos de entrenamiento, evaluaremos su rendimiento.