โมเดลที่สร้างขึ้นใน Tensorflow สามารถคอมไพล์ได้โดยใช้วิธีการ 'คอมไพล์' การสูญเสียคำนวณโดยใช้วิธี 'SparseCategoricalCrossentropy'
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory ถูกสร้างขึ้นบน Jupyter Notebook
print("The model is being compiled")
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
print("The architecture of the model")
model.summary() เครดิตโค้ด:https://www.tensorflow.org/tutorials/images/classification
ผลลัพธ์
The model is being compiled The architecture of the model Model: "sequential_2" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= rescaling_1 (Rescaling) (None, 180, 180, 3) 0 _________________________________________________________________ conv2d_6 (Conv2D) (None, 180, 180, 16) 448 _________________________________________________________________ max_pooling2d_4 (MaxPooling2 (None, 90, 90, 16) 0 _________________________________________________________________ conv2d_7 (Conv2D) (None, 90, 90, 32) 4640 _________________________________________________________________ max_pooling2d_5 (MaxPooling2 (None, 45, 45, 32) 0 _________________________________________________________________ conv2d_8 (Conv2D) (None, 45, 45, 64) 18496 _________________________________________________________________ max_pooling2d_6 (MaxPooling2 (None, 22, 22, 64) 0 _________________________________________________________________ flatten_1 (Flatten) (None, 30976) 0 _________________________________________________________________ dense_2 (Dense) (None, 128) 3965056 _________________________________________________________________ dense_3 (Dense) (None, 5) 645 ================================================================= Total params: 3,989,285 Trainable params: 3,989,285 Non-trainable params: 0 _________________________________________________________________
คำอธิบาย
- ตัวเพิ่มประสิทธิภาพ ตัวเพิ่มประสิทธิภาพและการสูญเสียของ Adam ใช้ฟังก์ชันการสูญเสียแบบแบ่งแยกประเภท SparseCrossentropy
- ดูความถูกต้องของการฝึกอบรมและการตรวจสอบความถูกต้องสำหรับทุกช่วงการฝึกอบรมได้โดยการส่งอาร์กิวเมนต์เมตริก
- เมื่อคอมไพล์โมเดลแล้ว บทสรุปของสถาปัตยกรรมจะแสดงโดยใช้วิธี 'summary'
