สามารถสร้างเลเยอร์การทำให้เป็นมาตรฐานได้โดยใช้วิธีการ 'การทำให้เป็นมาตรฐาน' ที่มีอยู่ในโมดูล 'การประมวลผลล่วงหน้า' เลเยอร์นี้สร้างขึ้นเพื่อปรับให้เข้ากับคุณสมบัติของชุดข้อมูลหอยเป๋าฮื้อ นอกจากนี้ ยังมีการเพิ่มเลเยอร์ที่หนาแน่นเพื่อปรับปรุงความสามารถในการฝึกของแบบจำลอง เลเยอร์นี้จะช่วยคำนวณค่ากลางและความแปรปรวนที่เกี่ยวข้องกับทุกคอลัมน์ล่วงหน้า ค่ากลางและค่าความแปรปรวนนี้จะใช้เพื่อทำให้ข้อมูลเป็นมาตรฐาน
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
เราจะใช้ชุดข้อมูลหอยเป๋าฮื้อซึ่งมีชุดการวัดหอยเป๋าฮื้อ หอยเป๋าฮื้อเป็นหอยทากชนิดหนึ่ง เป้าหมายคือการทำนายอายุตามการวัดอื่นๆ
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory ถูกสร้างขึ้นบน 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)
]) เครดิตโค้ด:https://www.tensorflow.org/tutorials/load_data/csv
ผลลัพธ์
A normalization layer is being built A dense layer is being added
คำอธิบาย
- อินพุตของโมเดลถูกทำให้เป็นมาตรฐาน
- การทำให้เป็นมาตรฐานนี้รวมเข้าด้วยกันได้โดยการเพิ่มเลเยอร์ 'experimental.preprocessing'
- เลเยอร์นี้จะช่วยคำนวณค่ากลางและความแปรปรวนที่เกี่ยวข้องกับทุกคอลัมน์ล่วงหน้า
- ค่าเฉลี่ยและความแปรปรวนนี้ใช้เพื่อทำให้ข้อมูลเป็นมาตรฐาน
- ขั้นแรก เลเยอร์การทำให้เป็นมาตรฐานถูกสร้างขึ้นโดยใช้วิธี 'Normalization.adapt'
- ควรใช้เฉพาะข้อมูลการฝึกกับวิธี 'adapt' สำหรับการประมวลผลเลเยอร์ล่วงหน้า
- เลเยอร์การทำให้เป็นมาตรฐานนี้ใช้ในการสร้างแบบจำลอง
